Java 如何对postgresql表中与输入值匹配或与任何其他匹配行中的值匹配的行进行集群？

在我的postgresql数据库中有一个类似的表

如果群集中的每个联系人与群集中的另一个联系人共享contact_id_a或contact_id_b值，或者两者都共享，我如何带回联系人群

在上面截图中的示例中，第1-6行将在同一个集群中，第8行不属于任何集群

如何使用SQL查询或SQL查询结合Java代码来实现这一点

对于上下文，此表列出了联系人列表中所有可能重复的联系人。我们希望向列表所有者显示所有可能重复的联系人，以便用户可以手动管理这些重复的联系人

这是我的起始代码：

DuplicateCandidate firstDuplicate = db.sql("select * from duplicates where list_id = "+list_id+ " and ignore_duplicate is not true").first(DuplicateCandidate);
        String sql = "select * from duplicates where list_id = "+list_id+ "and ignore_duplicate is not true "
                + "and (contact_id_a = ? or contact_id_b = ? or contact_id_a = ? or contact_id_b = ?";
        List<DuplicateCandidate> groupOfDuplicates  = db.sql(sql, firstDuplicate.contact_id_a,firstDuplicate.contact_id_a, firstDuplicate.contact_id_b, firstDuplicate.contact_id_b).results(DuplicateCandidate.class);

这将返回第一行和包含16247096或16247097的任何其他行，但不返回与第二个查询结果中的联系人ID匹配的其他基本行

---

干杯。

您可以使用递归CTE。这将遍历图形，然后为每一行分配图形中的最小标识符。请注意，您的数据没有每行的唯一标识符，因此首先生成一个：

with recursive d as (
      select row_number() over (order by contact_id_a, contact_id_b) as id, d.*
      from duplicates d
     ),
     cte (id, contact_id_a, contact_id_b, min_id, ids, lev) as (
      select id, contact_id_a, contact_id_b, id as min_id, array[id] as ids, 1 as lev
      from d
      union all
      select d.id, d.contact_id_a, d.contact_id_b, least(d.id, cte.min_id), ids || d.id, lev + 1
      from cte join
           d
           on cte.contact_id_a = d.contact_id_a or cte.contact_id_b = d.contact_id_b
      where d.id <> ALL (cte.ids)
     )
select distinct on (id) cte.*
from cte
order by id, min_id;

列min_id包含所需的分组

---

是一个演示代码的数据小提琴。

像这样的集群是一个迭代过程，步骤未知。我从未找到可以在递归查询中完成的解决方案

我已经六年多没有从事CRM工作了，但是下面的功能与我们用来生成匹配组的功能类似。对于我们的工作负载来说，逐行执行此操作的性能不够好，通过主机语言使用Java HashMap和HashSet以及反向索引来完成此操作会创建非常混乱的代码

假设此模式：

\d contact_info 
                 Table "public.contact_info"
      Column      |  Type   | Collation | Nullable | Default 
------------------+---------+-----------+----------+---------
 contact_id_a     | bigint  |           |          | 
 contact_id_b     | bigint  |           |          | 
 ignore_duplicate | boolean |           |          | false
 list_id          | integer |           |          | 496

select * from contact_info ;
 contact_id_a | contact_id_b | ignore_duplicate | list_id 
--------------+--------------+------------------+---------
     16247096 |     16247097 | f                |     496
     16247096 |     16247098 | f                |     496
     16247096 |     16247099 | f                |     496
     16247097 |     16247098 | f                |     496
     16247097 |     16247099 | f                |     496
     16247098 |     16247099 | f                |     496
     16247094 |     16247095 | f                |     496
(7 rows)

此函数创建两个临时表来保存中间集群，然后在不再可能进行集群时返回结果

create or replace function cluster_contact() 
  returns table (clust_id bigint, contact_id bigint) 
  language plpgsql as $$
declare 
  last_count bigint := 1;
  this_count bigint := 0;
begin
  create temp table contact_match (clust_id bigint, contact_id bigint) on commit drop;
  create index cm_1 on contact_match (contact_id, clust_id);
  create index cm_2 on contact_match using hash (clust_id);
  create temp table contact_hold (clust_id bigint, contact_id bigint) on commit drop;

  with dedup as (
    select distinct least(ci.contact_id_a) as clust_id,
           greatest(ci.contact_id_b) as contact_id
      from contact_info ci
     where not ci.ignore_duplicate
  )
  insert into contact_match
    select d.clust_id, d.clust_id from dedup d
    union
    select d.clust_id, d.contact_id from dedup d;

  while last_count > this_count loop

    if this_count = 0 then 
      select count(distinct cm.clust_id) into last_count from contact_match cm;
    else 
      last_count := this_count;
    end if;

    with new_cid as (
      select cm.contact_id as clust_id_old,
             min(cm.clust_id) as clust_id_new
        from contact_match cm
       group by cm.contact_id
    )
    update contact_match
       set clust_id = nc.clust_id_new
      from new_cid nc
     where contact_match.clust_id = nc.clust_id_old;

    truncate table contact_hold;
    insert into contact_hold 
      select distinct * from contact_match;
 
    truncate table contact_match;
    insert into contact_match
      select * from contact_hold;

    select count(distinct cm.clust_id) into this_count from contact_match cm;

  end loop;

  return query select * from contact_match order by clust_id, contact_id;
end $$;

我所见过的开发人员面临的最大心理障碍之一是忽略了联系人id与自身的关系。这导致了不相交的处理和不必要地由左侧和右侧复杂化的心智模型

select * from cluster_contact();
 clust_id | contact_id 
----------+------------
 16247094 |   16247094
 16247094 |   16247095
 16247096 |   16247096
 16247096 |   16247097
 16247096 |   16247098
 16247096 |   16247099
(6 rows)

如果您需要澄清此解决方案中的任何步骤，或者此解决方案不适用于您，请发表意见

另外，要知道Levenshtein在中可用，而且它工作得很好

如果希望顺序clust_id从1开始，请将函数中的返回查询更改为：

  return query 
    select dense_rank() over (order by cm.clust_id) as clust_id, 
           cm.contact_id 
      from contact_match cm 
     order by clust_id, contact_id;

它将产生：

select * from cluster_contact();
 clust_id | contact_id 
----------+------------
        1 |   16247094
        1 |   16247095
        2 |   16247096
        2 |   16247097
        2 |   16247098
        2 |   16247099
(6 rows)

---

如果识别重复项是用例，为什么不通过d>1的a、b、c从表组中选择a、b、c、COUNT1作为d；其中a、b和c是您想要识别重复项的列？因为我们不仅仅是在搜索精确匹配项。我们正在使用计分方案。我们为每列指定了唯一的权重。我们在Java中检查两个联系人之间的相似程度。如果使用每个列中的LevsHeTin距离乘以相应的列权重的相似度的总和低于截止阈值，那么我们考虑这两个联系人重复并将它们添加到表中。这太复杂了，无法在SQL语句中完成。@GNG。db/SQL FIDLE将非常有用，或者至少是非图像格式的数据。错误：cte第5行或附近的语法错误：递归cte联系人id A、联系人id b、最小id、id…^SQL状态：42601字符：141@GNG . . . 我修复了一些语法错误并添加了一个dbfiddle。这看起来确实有效。我们如何改变这个结果，使cluster_id只是一个增量整数？或者将集群id作为集群中的最小联系人id是否有好处？@GNG我使用了最小联系人id，因为它就在那里。您可以在末尾使用密集排列对其重新编号。我将把这一点补充到我的回答中。