PostgreSQL 正则表达式的新选择：用 pg_tre 和 pg_re2 做对比测试

2026-08-26 36 预计阅读时间: 1 分钟
来源: postgr.es AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：8 分钟

PostgreSQL 自带强大的正则表达式能力，但在不同工作负载下，正则引擎的语法、执行特性和安全边界可能影响查询结果与响应时间。Hubert “depesz” Lubaczewski 最近整理了 pg_tre 和 pg_re2，并使用 explain.depesz.com 数据库中的执行计划数据进行研究。

这类尝试的价值不只是“换一个正则函数”。更重要的是：把真实数据准备好，确认扩展暴露的 API，再用同一组查询比较匹配结果和执行代价。

先准备可重复的测试数据

文章中的测试数据来自 explain.depesz.com 数据库。作者把执行计划提取到一张名为 all_plans 的侧表中，后续可以在相同数据集上反复测试不同正则实现。

如果你也想构建一个最小测试环境，可以先准备一张包含文本字段的表：

CREATE TABLE all_plans (
    id         bigint GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
    plan_text  text NOT NULL,
    captured_at timestamptz NOT NULL DEFAULT now()
);

INSERT INTO all_plans (plan_text) VALUES
    ('Index Scan using orders_pkey on orders  (cost=0.42..8.44 rows=1 width=8)'),
    ('Seq Scan on events  (cost=0.00..431.00 rows=12000 width=64)'),
    ('Nested Loop  (cost=1.12..42.80 rows=5 width=16)');

真实数据通常比人工构造的三行样本更有意义，因为它包含不同长度、不同字符集和不同匹配密度的文本。测试时应固定数据快照，避免因为数据变化而误判某个正则引擎更快。

pg_tre 与 pg_re2 该怎么看

从名字可以看出，两个扩展分别尝试把 TRE 和 RE2 正则实现带入 PostgreSQL。实践中需要关注三个维度：

  • 语法兼容性：现有 PostgreSQL 正则表达式是否可以直接迁移，还是需要调整转义和分组写法。
  • 匹配语义：捕获组、重复匹配、大小写处理以及非法表达式的报错方式是否与现有查询一致。
  • 执行边界：复杂正则在大文本列上可能消耗大量 CPU，某些引擎对最坏情况的控制方式也不同。

不要仅凭扩展名称判断它一定适合生产环境。应以扩展版本、构建选项和实际 API 为准，并分别验证结果与性能。

安装后可以用 PostgreSQL 自带的元命令确认扩展和函数：

psql "$DATABASE_URL" -c "CREATE EXTENSION IF NOT EXISTS pg_tre;"
psql "$DATABASE_URL" -c "CREATE EXTENSION IF NOT EXISTS pg_re2;"
psql "$DATABASE_URL" -c "\\dx"
psql "$DATABASE_URL" -c "\\df *tre*"
psql "$DATABASE_URL" -c "\\df *re2*"

这里的函数搜索很重要：不同版本或打包方式可能提供不同函数名、操作符或参数形式。先查看数据库实际安装的签名，再把业务查询接入，能避免照抄不匹配的示例。

用同一批查询比较结果和代价

可以先使用 PostgreSQL 内置正则作为基线。下面的查询找出包含 Index Scan 或 Seq Scan 的执行计划，并统计匹配数量：

SELECT
    count(*) FILTER (WHERE plan_text ~ 'Index Scan') AS index_scan_count,
    count(*) FILTER (WHERE plan_text ~ 'Seq Scan')   AS seq_scan_count
FROM all_plans;

如果扩展提供与操作符兼容的接口，可以把正则表达式和查询主体保持不变，只替换匹配调用。若扩展使用函数，则可以按实际签名改写成类似下面的形式：

-- 假设扩展提供 boolean 返回值的匹配函数。
-- 运行前请通过 \\df 确认真实函数名和参数顺序。
SELECT count(*)
FROM all_plans
WHERE re2_match(plan_text, 'Index Scan');

这段代码中的 re2_match 是接口形态示例，不应在未确认扩展 API 的情况下直接部署。可复制的验证流程是：

EXPLAIN (ANALYZE, BUFFERS, TIMING)
SELECT count(*)
FROM all_plans
WHERE plan_text ~ '(Index|Seq) Scan';

对 pg_tre 和 pg_re2 分别执行等价查询，并记录以下信息：匹配行数、执行时间、扫描行数、CPU 使用情况，以及是否出现异常增长的耗时。只看总执行时间不够，因为小数据集可能掩盖长文本或高并发场景的问题。

一个实用的测试矩阵

为了让结果具有解释力，可以准备几类正则表达式：

CREATE TEMP TABLE regex_cases (
    case_name text PRIMARY KEY,
    pattern   text NOT NULL
);

INSERT INTO regex_cases (case_name, pattern) VALUES
    ('literal',      'Index Scan'),
    ('alternation',  '(Index|Seq) Scan'),
    ('group',        'cost=([0-9.]+)'),
    ('line_marker',  '^Seq Scan');

SELECT c.case_name,
       c.pattern,
       count(p.id) AS matched_rows
FROM regex_cases AS c
JOIN all_plans AS p
  ON p.plan_text ~ c.pattern
GROUP BY c.case_name, c.pattern
ORDER BY c.case_name;

在扩展测试中，保持 regex_cases 和 all_plans 不变，只替换正则执行方式。这样可以分别观察简单字面量、分支、捕获组和锚点表达式的行为。

还要测试异常输入和边界输入，例如空字符串、超长文本、无效 UTF-8 数据来源，以及可能导致极高计算量的模式。正则匹配发生在数据库进程中，查询超时、资源组和并发限制都应纳入设计。

采用前的检查清单

pg_tre 和 pg_re2 更适合通过实验进入系统，而不是直接替换现有正则逻辑。建议完成以下检查：

  • 固定一份生产风格的数据快照。
  • 用 \\dx 和 \\df 确认扩展版本、函数名和返回类型。
  • 对每条关键查询同时比较匹配结果和 EXPLAIN (ANALYZE, BUFFERS) 输出。
  • 检查现有正则语法在新引擎中是否保持相同语义。
  • 为超时、CPU 消耗和异常模式设置保护措施。
  • 在升级 PostgreSQL 或扩展版本后重新跑回归测试。

真正值得迁移的标准不是“某个引擎在一次测试中更快”，而是它能在你的数据分布、正则语法和并发模型下稳定地提供相同结果，并且具备可接受的资源边界。

# AI # Go # PostgreSQL # 后端 # 数据库

相关推荐