三元组是一组从字符串中取出的三个连续字符。我们可以通过统计两个字符串共享的三元组数量来度量它们的相似度。 这个简单的思想在度量许多自然语言中词的相似度时都非常有效。

pg_trgm模块提供的函数列在Table F.27中，操作符列在Table F.28中。

考虑下面的示例：

# SELECT word_similarity('word', 'two words');
 word_similarity
-----------------
             0.8
(1 row)

在第一个字符串中，三元组集合是{" w"," wo","wor","ord","rd "}。 在第二个字符串中，有序三元组集合是{" t"," tw","two","wo "," w"," wo","wor","ord","rds","ds "}。 第二个字符串中最相似的有序三元组集合连续区段是{" w"," wo","wor","ord"}，其相似度为0.8。

这个函数返回的值大致可以理解为第一个字符串与第二个字符串任意子串之间的最大相似度。 不过，该函数不会在这个区段的边界处添加填充。 因此，除了词边界不匹配的情况外，第二个字符串中额外存在的字符数不会被考虑在内。

同时，strict_word_similarity会在第二个字符串中选取一个连续词区段。 在上面的示例中，strict_word_similarity会选取单词'words'这一连续区段， 其三元组集合为{" w"," wo","wor","ord","rds","ds "}。

# SELECT strict_word_similarity('word', 'two words'), similarity('word', 'words');
 strict_word_similarity | similarity
------------------------+------------
               0.571429 |   0.571429
(1 row)

因此，strict_word_similarity适合查找与整个词的相似度， 而word_similarity更适合查找与词的一部分的相似度。

pg_trgm模块提供 GiST 和 GIN 索引操作符类，允许你为文本列创建索引，以实现非常快速的相似度搜索。 这些索引类型支持前文所述的相似度操作符，并且还支持对LIKE、ILIKE、 ~、~*和=查询执行基于三元组的索引搜索。 在默认构建的pg_trgm中，相似度比较不区分大小写。 不支持不等操作符。 注意，对于等值操作符，这些索引的效率可能不如常规 B-树索引。

示例：

CREATE TABLE test_trgm (t text);
CREATE INDEX trgm_idx ON test_trgm USING GIST (t gist_trgm_ops);

或者

CREATE INDEX trgm_idx ON test_trgm USING GIN (t gin_trgm_ops);

gist_trgm_ops GiST 操作符类将一组三元组近似表示为位图签名。 其可选整数参数siglen以字节为单位指定签名长度。 默认长度为 12 字节。 签名长度的有效取值为 1 到 2024 字节。 更长的签名会带来更精确的搜索（扫描更小比例的索引以及更少的堆页），但代价是索引更大。

下面是创建签名长度为 32 字节的这类索引的示例：

CREATE INDEX trgm_idx ON test_trgm USING GIST (t gist_trgm_ops(siglen=32));

此时，你已经在t列上建立了一个可用于相似度搜索的索引。 典型查询如下：

SELECT t, similarity(t, 'word') AS sml
  FROM test_trgm
  WHERE t % 'word'
  ORDER BY sml DESC, t;

这会返回文本列中所有与word足够相似的值，并按从最佳匹配到最差匹配的顺序排序。 即使在非常大的数据集上，索引也会让这一操作保持高效。

上述查询的一个变体是

SELECT t, t <-> 'word' AS dist
  FROM test_trgm
  ORDER BY dist LIMIT 10;

GiST 索引可以相当高效地实现这一点，但 GIN 索引不能。 当只需要少量最接近的匹配项时，它通常会优于第一种写法。

还可以把t列上的索引用于词相似度或严格词相似度搜索。 典型查询如下：

SELECT t, word_similarity('word', t) AS sml
  FROM test_trgm
  WHERE 'word' <% t
  ORDER BY sml DESC, t;

以及

SELECT t, strict_word_similarity('word', t) AS sml
  FROM test_trgm
  WHERE 'word' <<% t
  ORDER BY sml DESC, t;

这会返回文本列中所有满足以下条件的值：在其对应的有序三元组集合中，存在一个连续区段与word的三元组集合足够相似。 结果按从最佳匹配到最差匹配的顺序排序。 即使在非常大的数据集上，索引也会让这一操作保持高效。

上述查询的可能变体还有：

SELECT t, 'word' <<-> t AS dist
  FROM test_trgm
  ORDER BY dist LIMIT 10;

以及

SELECT t, 'word' <<<-> t AS dist
  FROM test_trgm
  ORDER BY dist LIMIT 10;

GiST 索引可以相当高效地实现这一点，但 GIN 索引不能。

从PostgreSQL 9.1 起，这些索引类型还支持LIKE和ILIKE的索引搜索，例如

SELECT * FROM test_trgm WHERE t LIKE '%foo%bar';

索引搜索的工作方式是从搜索字符串中提取三元组，然后在索引中查找这些三元组。 搜索字符串中包含的三元组越多，索引搜索就越有效。 与基于 B-树的搜索不同，搜索字符串不需要在左端锚定。

从PostgreSQL 9.3 起，这些索引类型还支持正则表达式匹配 （~和~*操作符）的索引搜索，例如

SELECT * FROM test_trgm WHERE t ~ '(foo|bar)';

索引搜索的工作方式是从正则表达式中提取三元组，然后在索引中查找这些三元组。 能从正则表达式中提取出的三元组越多，索引搜索就越有效。 与基于 B-树的搜索不同，搜索字符串不需要在左端锚定。

对于LIKE和正则表达式搜索，都要记住：无法提取出三元组的模式会退化为全索引扫描。

GiST 和 GIN 索引之间如何取舍，取决于二者各自的相对性能特征；相关讨论见其他章节。

与全文索引结合使用时，三元组匹配是非常有用的工具。 尤其是，它有助于识别那些因拼写错误而无法被全文搜索机制直接匹配的输入词。

第一步是生成一个辅助表，其中包含文档中的全部唯一词：

CREATE TABLE words AS SELECT word FROM
        ts_stat('SELECT to_tsvector(''simple'', bodytext) FROM documents');

其中documents是一个表，包含我们希望搜索的文本字段bodytext。 之所以对to_tsvector函数使用simple配置，而不是使用特定语言的配置， 是因为我们需要原始的（未经词干提取的）词列表。

接下来，在词列上创建一个三元组索引：

CREATE INDEX words_idx ON words USING GIN (word gin_trgm_ops);

现在，可以使用与前面示例类似的SELECT查询，为用户搜索词中拼错的单词提供拼写建议。 一个有用的附加测试是要求选出的词长度也与该拼错单词相近。

GiST 开发站点 http://www.sai.msu.su/~megera/postgres/gist/

Tsearch2 开发站点 http://www.sai.msu.su/~megera/postgres/gist/tsearch/V2/

Oleg Bartunov <oleg@sai.msu.su>，俄罗斯莫斯科，莫斯科大学

Teodor Sigaev <teodor@sigaev.ru>，俄罗斯莫斯科，Delta-Soft Ltd.

Alexander Korotkov <a.korotkov@postgrespro.ru>，俄罗斯莫斯科，Postgres Professional

文档：Christopher Kings-Lynne

该模块由俄罗斯莫斯科的 Delta-Soft Ltd. 赞助。