如何提取MySQL字符串中的第n个单词并统计单词出现次数？

Question

我想要一个像这样的mysql查询：

select <second word in text> word, count(*) from table group by word;

mysql中的所有正则表达式示例都用于查询文本是否与表达式匹配，但不是从表达式中提取文本。有这样的语法吗？

Answer 1

以下是针对OP的特定问题（提取字符串的第二个单词）的建议解决方案，但应该注意的是，正如mc0e的答案所述，实际上不支持提取正则表达式匹配-MySQL 中的盒子。如果你确实需要这个，那么你的选择基本上是 1) 在客户端的后处理中进行，或者 2) 安装 MySQL 扩展来支持它。

---

BenWells 的说法几乎是正确的。根据他的代码，这里有一个稍微调整的版本：

SUBSTRING(
  sentence,
  LOCATE(' ', sentence) + CHAR_LENGTH(' '),
  LOCATE(' ', sentence,
  ( LOCATE(' ', sentence) + 1 ) - ( LOCATE(' ', sentence) + CHAR_LENGTH(' ') )
)

作为一个工作示例，我使用：

SELECT SUBSTRING(
  sentence,
  LOCATE(' ', sentence) + CHAR_LENGTH(' '),
  LOCATE(' ', sentence,
  ( LOCATE(' ', sentence) + 1 ) - ( LOCATE(' ', sentence) + CHAR_LENGTH(' ') )
) as string
FROM (SELECT 'THIS IS A TEST' AS sentence) temp

这成功地提取了单词 IS

Answer 2

用于提取句子中第二个单词的较短选项：

SELECT SUBSTRING_INDEX(SUBSTRING_INDEX('THIS IS A TEST', ' ',  2), ' ', -1) as FoundText

SUBSTRING_INDEX 的 MySQL 文档< /a>

Answer 3

根据 http://dev.mysql.com/ SUBSTRING 函数使用起始位置，然后使用长度，因此第二个单词的函数肯定是：

SUBSTRING(sentence,LOCATE(' ',sentence),(LOCATE(' ',LOCATE(' ',sentence))-LOCATE(' ',sentence)))

Answer 4

不，没有使用正则表达式提取文本的语法。您必须使用普通的字符串操作函数。

或者，从数据库中选择整个值（如果您担心数据传输过多，则选择前 n 个字符），然后在客户端上使用正则表达式。

Answer 5

正如其他人所说，mysql不提供用于提取子字符串的正则表达式工具。这并不是说如果您准备使用用户定义的函数扩展 mysql，您就不能拥有它们：

https: //github.com/mysqludf/lib_mysqludf_preg

如果您想分发软件，这可能没有多大帮助，因为它会成为安装软件的障碍，但对于内部解决方案来说，这可能是合适的。

Answer 6

我使用 Brendan Bullen 的答案作为我遇到的类似问题的起点，该问题是检索 JSON 字符串中特定字段的值。然而，就像我对他的回答的评论一样，它并不完全准确。如果您的左边界不仅仅是像原始问题中那样的空间，那么差异就会增加。

更正的解决方案：

SUBSTRING(
    sentence,
    LOCATE(' ', sentence) + 1,
    LOCATE(' ', sentence, (LOCATE(' ', sentence) + 1)) - LOCATE(' ', sentence) - 1
)

两个差异是 SUBSTRING 索引参数中的 +1 和长度参数中的 -1。

对于“查找两个提供的边界之间字符串的第一次出现”的更通用的解决方案：

SUBSTRING(
    haystack,
    LOCATE('<leftBoundary>', haystack) + CHAR_LENGTH('<leftBoundary>'),
    LOCATE(
        '<rightBoundary>',
        haystack,
        LOCATE('<leftBoundary>', haystack) + CHAR_LENGTH('<leftBoundary>')
    )
    - (LOCATE('<leftBoundary>', haystack) + CHAR_LENGTH('<leftBoundary>'))
)

Answer 7

我认为这样的事情是不可能的。您可以使用SUBSTRING函数来提取您想要的部分。

Answer 8

我的自制的正则表达式替换函数可以用于此目的。

演示

请参阅此 DB-Fiddle 演示，其中返回著名十四行诗中的第二个单词（“I”）及其出现次数 (1)。

SQL

假设使用 MySQL 8 或更高版本（以允许使用 公用表表达式），以下将返回第二个单词及其出现次数：

WITH cte AS (
     SELECT digits.idx,
            SUBSTRING_INDEX(SUBSTRING_INDEX(words, '~', digits.idx + 1), '~', -1) word
     FROM
     (SELECT reg_replace(UPPER(txt),
                         '[^''’a-zA-Z-]+',
                         '~',
                         TRUE,
                         1,
                         0) AS words
      FROM tbl) delimited
     INNER JOIN
     (SELECT @row := @row + 1 as idx FROM 
      (SELECT 0 UNION ALL SELECT 1 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6 UNION ALL SELECT 6 UNION ALL SELECT 7 UNION ALL SELECT 8 UNION ALL SELECT 9) t1,
      (SELECT 0 UNION ALL SELECT 1 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6 UNION ALL SELECT 6 UNION ALL SELECT 7 UNION ALL SELECT 8 UNION ALL SELECT 9) t2, 
      (SELECT 0 UNION ALL SELECT 1 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6 UNION ALL SELECT 6 UNION ALL SELECT 7 UNION ALL SELECT 8 UNION ALL SELECT 9) t3, 
      (SELECT 0 UNION ALL SELECT 1 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5 UNION ALL SELECT 6 UNION ALL SELECT 6 UNION ALL SELECT 7 UNION ALL SELECT 8 UNION ALL SELECT 9) t4, 
      (SELECT @row := -1) t5) digits
     ON LENGTH(REPLACE(words, '~' , '')) <= LENGTH(words) - digits.idx)
SELECT c.word,
       subq.occurrences
FROM cte c
LEFT JOIN (
  SELECT word,
         COUNT(*) AS occurrences
  FROM cte
  GROUP BY word
) subq
ON c.word = subq.word
WHERE idx = 1; /* idx is zero-based so 1 here gets the second word */

解释

上面的 SQL 中使用了一些技巧和一些认证是需要的。首先，正则表达式替换器用于替换所有连续的非单词字符块 - 每个块都被单个 tilda (~) 字符替换。 注意：如果文本中可能出现波浪号，则可以选择不同的字符。

来自 这个答案中的巧妙技术相结合，用于生成一个由一系列递增数字组成的表格：0 - 10,000案件。

Answer 9

该字段的值为：

 "- DE-HEB 20% - DTopTen 1.2%"
SELECT ....
SUBSTRING_INDEX(SUBSTRING_INDEX(DesctosAplicados, 'DE-HEB ',  -1), '-', 1) DE-HEB ,
SUBSTRING_INDEX(SUBSTRING_INDEX(DesctosAplicados, 'DTopTen ',  -1), '-', 1) DTopTen ,

FROM TABLA 

结果为：

  DE-HEB       DTopTEn
    20%          1.2%