postgresql - 数据库中的集群文本文档

Question

我确实在 PostgreSQL 数据库中加载了 20.000 个文本文件，一行一个文件，所有文件都存储在名为 docs 的表中，其中包含列 doc_id 和 doc_content.

我知道大约有 8 种类型的文件。这是我的问题:

• 如何找到这些群组？
• 我可以使用一些相似性、差异性度量吗？
• PostgreSQL 有最长公共(public)子串的实现吗？
• PostgreSQL 中是否有一些文本挖掘扩展？ (我只找到了 Tsearch ，但这似乎是 2007 年的最后更新)

我可能会使用一些like '%%' 或SIMILAR TO，但可能有更好的方法。

Answer 1

你应该使用 full text search ，它是 PostgreSQL 9.x 核心(又名 Tsearch2)的一部分。

对于最长公共(public)子串(或相似性，如果您愿意)的某种度量，您可以使用 levenshtein() 函数 - fuzzystrmatch 的一部分 |扩展名。