Postgresql 仅返回数组包含元素的第一行，可能会忽略前面看到的任何元素

给定以下数据集：

| page | sentence_ids |
|------|--------------|
| 1    | { 1, 2, 3 }  |
| 2    | { 1, 2 }     |
| 3    | { 3, 4 }     |

我想做一个查询，返回句子id最先出现的页面。最好是句子ID在数据集中只出现一次，并且页数最少。在这种情况下：

| page | sentence_ids |
|------|--------------|
| 1    | { 1, 2, 3 }  |
| 3    | { 4 }        |

这可能吗？这种关系是非规范化的，因为页面可以以10000结尾，句子可以以100000结尾

---

现在我们加载包含所有句子的所有页面，并在代码中进行筛选。效率极低。希望有人能帮上忙。

唯一实用的方法*是首先

取消
语句ID的数组
，然后选择
页面、句子
的组合，使后者与最低页面相匹配；您可以通过一个窗口函数对句子进行分区，并在按页面排序后找到一个秩来实现这一点。
rank=1的记录是兴趣的组合。然后将结果聚合回数组：

SELECT page, array_agg(sentence)
FROM (
  SELECT page, sentence, rank() OVER (PARTITION BY sentence ORDER BY page) AS rnk
  FROM (
    SELECT page, unnest(sentence_ids) AS sentence
    FROM page_sentences) p_s
  ) p_s_r
WHERE rnk = 1
GROUP BY page;

考虑到数据的大小，这可能不是一个很快的解决方案，但它很可能比提取所有数据然后在代码中过滤要好


“实用”在这里被松散地定义为“任何避免遵循克雷格建议的东西”。（对不起，克雷格…）
因此，您需要一个自定义窗口函数，该函数将集合中的所有可见元素累加起来，然后在每一行上只发出新元素，如果没有唯一元素，则在空数组中发出null/值。然后在
FROM
中将该调用包装为子查询，其中外部查询过滤掉没有新句子的行。自定义窗口功能是最难的一点；我认为此时您唯一的选择是用C编写。如果您愿意稍微滥用API，您可以用PL/Python、PL/Perl等编写一个普通的非窗口函数，声明它
VOLATILE
，并将设置的数据隐藏在解释器命名空间中的某个地方，在调用之间可以访问该数据。这很有意思，但这（或C级的等价物）是人们在有窗口功能之前经常做的事情。太棒了！p_s和p_s_r代表什么？
FROM
子句中的子查询需要别名，即使它从未用于引用列。p_s仅仅代表（页面、句子）组合，p_s_r加上排名。