提高 BigQuery 不区分大小写的搜索性能

Question

BigQuery 团队再次出击：这个问题不再相关，因为现在使用 LOWER() 的结果与使用 REGEX() 的结果一样快。

---

使用 BigQuery 处理大约 5GB 的数据应该非常快。例如，以下查询在 18 秒内执行不区分大小写的搜索：

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
  LOWER(text) LIKE '%bigquery%' # 18s

通常 BigQuery 比这更快，但真正的问题是添加新的搜索词会使这个查询变得相当慢（几乎一分钟，有 3 个搜索词）：

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
  LOWER(text) LIKE '%bigquery%' OR LOWER(text) LIKE '%big query%' # 34s

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
  LOWER(text) LIKE '%bigquery%' OR LOWER(text) LIKE '%big query%'
  OR LOWER(text) LIKE '%google cloud%' # 52s

如何提高查询性能？

Answer 1

团队注意事项：敬请期待！很快 BigQuery 将把它变成 建议无关紧要。

BigQuery 性能提示：避免使用 LOWER() 和 UPPER()

LOWER() 和 UPPER() 操作在处理 Unicode 文本时会遇到困难：每个字符都需要单独映射，它们也可以是多字节。

解决方案 1：不区分大小写的正则表达式

更快的选择：使用REGEX_MATCH() 并将不区分大小写的(?i) 修饰符添加到您的正则表达式中

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
   REGEXP_CONTAINS(text, '(?i)bigquery') # 7s

#  REGEXP_CONTAINS(text, '(?i)bigquery')
#   OR REGEXP_CONTAINS(text, '(?i)big query') # 9s

#  REGEXP_CONTAINS(text, '(?i)bigquery') 
#   OR REGEXP_CONTAINS(text, '(?i)big query') 
#   OR REGEXP_CONTAINS(text, '(?i)google cloud') # 11s

这样性能会好很多：

• 1 个搜索词：18s 到 8s
• 2 个搜索词：34 秒到 9 秒
• 3 个搜索词：52 秒到 11 秒。

解决方案 2：组合正则表达式

当一个正则表达式可以将多个组合为 1 时，为什么要进行 3 次搜索？

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
  REGEXP_CONTAINS(text, '(?i)(bigquery|big query|google cloud)') # 7s

3 个词在 7 秒内 - 不错。

解决方案 3：转换为字节

这更难看，但表明 UPPER() 和 LOWER() 在处理单个字节时表现得更好 - 在这些搜索中获得相同的结果：

#standardSQL
SELECT COUNT(*) c
FROM `bigquery-public-data.hacker_news.full` 
WHERE 
  LOWER(CAST(text AS BYTES)) LIKE b'%bigquery%'
  OR LOWER(CAST(text AS BYTES)) LIKE b'%big query%' 
  OR LOWER(CAST(text AS BYTES)) LIKE b'%google cloud%' # 7s

---

LOWER() 比较慢。请改用正则表达式 (?i) 修饰符。

如果这对您有用，请随时评论您的性能改进。