Что можно использовать для быстрого и неточного поиска в огромном количестве баз?

Question

[e7e7e7000]

У меня есть огромное количество баз с записями по типу ID,fullname, first_name, last_name, email, phone, city и т.д.
Я пробовал использовать grep, но если добавлять большие базы, то поиск длится очень долго.

Что можно попробовать для быстрого поиска (не дольше 10 минут) и с неточным запросом?
То есть к примеру есть запись Ivanov Ivan Ivanovich 91300019900, [e-mail], я могу сделать запрос как по Ivanov Ivan Ivanovich, так и по * Ivan Ivanovich или Ivanov * Ivanovich и т.д.

Comments

[Василий Банников]

Обычно для поиска по очень большим базам сначала индекс строят.

[e7e7e7000]

Василий Банников, а где их лучше всего строить?

[Василий Банников]

e7e7e7000, есть специализированные СУБД для полнотекстового поиска.
Но лучше чётко определиться с тем, какие запросы нужны и в каком виде есть данные

[xotkot]

Я пробовал использовать grep, но если добавлять большие базы, то поиск длится очень долго.

используйте вместо grep утилиту ripgrep всё же пошустрее будет, а еще лучше ripgrep-all что позволит шастать по тем же sqlite и прочим документам
для интерактивности оберните всё это в fzf

в общем за основу можно взять эту функцию и запилить далее под себя

[mayton2019]

У меня есть огромное количество баз с записями по типу ID,fullname, first_name, last_name, email, phone, city и т.д.
Я пробовал использовать grep

Ты наверное хотел сказать что у тебя есть огромное число текстовых файлов?
Потому что grep - это не инструмент БД.

Что можно попробовать для быстрого поиска (не дольше 10 минут) и с неточным запросом?

Тут - ни один архитектор не знает. Обычно делают так. Покупают железо. Например 2х узловой кластер
и делают шардинг всех данных равномерно. Запускают поиск и смотрят. Отработало за 20 минут к примеру.
Окей. 2 узла == 20 минут. Значит надо сделать 4 узла и снова - шардинг. Запускаем. Смотрим. Хоп. 10 минут.
Отлично.

Опять-же. Годность данного решения сильно зависит от других условий которые вы не озвучили. Например
- будут ли данные обновлятся. И как часто. И будут ли другие виды запросов. На сортировку например.
Это все также влияет.

[Everything_is_not_so_bad]

есть огромное количество баз с записями

Что из себя представляют эти БД? Каких форматов? Файлы Excel, Access, CSV, TXT, или другие? Одного типа или разные? По сколько записей в каждой?

[Dmtm]

тескстовые файлы это не базы данных, это просто очень длинные строки
есть специализированные методы поиска подстроки которые в некоторых случаях будут быстрее grep
например
https://neerc.ifmo.ru/wiki/index.php?title=%D0%9F%...

[shurshur]

Вместо grep можно использовать ripgrep, это страшный инструмент, который пытается нагрузить все ядра процессора, использовать SSE, итд итп.

Answer 1

[al_gon]

Если данных меньше 100К можно всё в память загрузить и сделать инвертированный индекс по триграмам.
Если больше 100К, то можно заливать в Solr, Elastic или даже Lucene.