SQL 优化 - 字符串中的字数统计 - Postgresql

Question

我正在尝试使用 Postgresql 上某个字段中的字数来更新一个大表(大约 100 万行)。此查询有效，并设置 token_count 字段计算表 my_table 中 longtext 中的单词(标记):

UPDATE my_table mt SET token_count = 
    (select count(token) from 
      (select unnest(regexp_matches(t.longtext, E'\\w+','g')) as token
      from my_table as t where mt.myid = t.myid)
    as tokens);

myid 是表的主键。\\w+ 是必需的，因为我想计算单词数，忽略特殊字符。例如，A test 。 ; ) 将返回基于空格的计数 5，而 2 是正确的值。问题是它非常慢，2 天时间不足以完成 100 万行。你会做什么来优化它？有没有办法避免连接？

如何使用 limit 和 offset 将批处理分成 block ？

感谢您的任何提示，

乐龙

更新:我测量了 array_split 的性能，无论如何更新都会很慢。因此，也许解决方案包括将其并行化。如果我从 psql 运行不同的查询，只有一个查询有效，其他查询等待它完成。如何并行更新？

Answer 1

您是否尝试过使用 array_length？

UPDATE my_table mt
SET token_count = array_length(regexp_split_to_array(trim(longtext), E'\\W+','g'), 1)

http://www.postgresql.org/docs/current/static/functions-array.html

# select array_length(regexp_split_to_array(trim(' some long text  '), E'\\W+'), 1);
 array_length 
--------------
            3
(1 row)