Sql Server数据库类似正则表达式的字符处理问题

SQL Serve提供了简单的字符模糊匹配功能,比如:like, patindex,不过对于某些字符处理场景还显得并不足够,日常碰到的几个问题有:

1. 同一个字符/字符串,出现了多少次

2. 同一个字符,第N次出现的位置

3. 多个相同字符连续,合并为一个字符

4. 是否为有效IP/身份证号/手机号等 

一. 同一个字符/字符串,出现了多少次

同一个字符,将其替换为空串,即可计算

  1. declare @text varchar(1000)
  2. declare @str varchar(10)
  3. set @text = 'ABCBDBE'
  4. set @str = 'B'
  5. select len(@text) - len(replace(@text,@str,''))

同一个字符串,仍然是替换,因为是多个字符,方法1替换后需要做一次除法;方法2替换时增加一个字符,则不需要

  1. --方法1
  2. declare @text varchar(1000)
  3. declare @str varchar(10)
  4. set @text = 'ABBBCBBBDBBBE'
  5. set @str = 'BBB'
  6. select (len(@text) - len(replace(@text,@str,'')))/len(@str)
  7. --方法2
  8. declare @text varchar(1000)
  9. declare @str varchar(10)
  10. set @text = 'ABBBCBBBDBBBE'
  11. set @str = 'BBB'
  12. select len(replace(@text,@str,@str+'_')) - len(@text)

二. 同一个字符/字符串,第N次出现的位置

SQL SERVER定位字符位置的函数为CHARINDEX:

CHARINDEX ( expressionToFind , expressionToSearch [ , start_location ] )

可以从指定位置起开始检索,但是不能取第N次出现的位置,需要自己写SQL来补充,有以下几种思路:

1. 自定义函数, 循环中每次为charindex加一个计数,直到为N

  1. if object_id('NthChar','FN'is not null
  2.   drop function Nthchar
  3. GO
  4. create function NthChar
  5. (
  6. @source_string as nvarchar(4000),
  7. @sub_string  as nvarchar(1024),
  8. @nth      as int
  9. )
  10. returns int
  11. as
  12. begin
  13.   declare @postion int
  14.   declare @count  int
  15.   set @postion = CHARINDEX(@sub_string, @source_string)
  16.   set @count = 0
  17.   while @postion > 0
  18.   begin
  19.     set @count = @count + 1
  20.     if @count = @nth
  21.     begin
  22.       break
  23.     end
  24.     set @postion = CHARINDEX(@sub_string, @source_string, @postion + 1)
  25.   End
  26.   return @postion
  27. end
  28. GO
  29. --select dbo.NthChar('abcabc','abc',2)
  30. --4

2. 通过CTE,对待处理的整个表字段操作, 递归中每次为charindex加一个计数,直到为N

  1. if object_id('tempdb..#T'is not null
  2.   drop table #T
  3. create table #T
  4. (
  5. source_string nvarchar(4000)
  6. )
  7. insert into #T values (N'我们我们')
  8. insert into #T values (N'我我哦我')
  9. declare @sub_string nvarchar(1024)
  10. declare @nth    int
  11. set @sub_string = N'我们'
  12. set @nth = 2
  13. ;with T(source_string, starts, pos, nth)
  14. as (
  15.   select source_string, 1, charindex(@sub_string, source_string), 1 from #t
  16.   union all
  17.   select source_string, pos + 1, charindex(@sub_string, source_string, pos + 1), nth+1 from T
  18.   where pos > 0
  19. )
  20. select
  21.   source_string, pos, nth
  22. from T
  23. where pos <> 0
  24.  and nth = @nth
  25. order by source_string, starts
  26. --source_string  pos  nth
  27. --我们我们  3  2

3. 借助数字表 (tally table),到不同起点位置去做charindex,需要先自己构造个数字表

  1. --numbers/tally table
  2. IF EXISTS (select from dbo.sysobjects where id = object_id(N'[dbo].[Numbers]'and OBJECTPROPERTY(id, N'IsUserTable') = 1)
  3.   DROP TABLE dbo.Numbers
  4. --===== Create and populate the Tally table on the fly
  5.  SELECT TOP 1000000
  6.     IDENTITY(int,1,1) AS number
  7.   INTO dbo.Numbers
  8.   FROM master.dbo.syscolumns sc1,
  9.     master.dbo.syscolumns sc2
  10. --===== Add a Primary Key to maximize performance
  11.  ALTER TABLE dbo.Numbers
  12.     ADD CONSTRAINT PK_numbers_number PRIMARY KEY CLUSTERED (number)
  13. --===== Allow the general public to use it
  14.  GRANT SELECT ON dbo.Numbers TO PUBLIC
  15. --以上数字表创建一次即可,不需要每次都重复创建
  16. DECLARE @source_string  nvarchar(4000),
  17.     @sub_string    nvarchar(1024),
  18.     @nth       int
  19. SET @source_string = 'abcabcvvvvabc'
  20. SET @sub_string = 'abc'
  21. SET @nth = 2
  22. ;WITH T
  23. AS
  24. (     
  25. SELECT ROW_NUMBER() OVER(ORDER BY number) AS nth,
  26.     number AS [Position In String]
  27.  FROM dbo.Numbers n
  28.  WHERE n.number <= LEN(@source_string) 
  29.   AND CHARINDEX(@sub_string, @source_string, n.number)-number = 0
  30.   ----OR
  31.   --AND SUBSTRING(@source_string,number,LEN(@sub_string)) = @sub_string
  32. )
  33. SELECT FROM WHERE nth = @nth

4. 通过CROSS APPLY结合charindex,适用于N值较小的时候,因为CROSS APPLY的次数要随着N的变大而增加,语句也要做相应的修改

  1. declare @T table
  2. (
  3. source_string nvarchar(4000)
  4. )
  5. insert into @T values
  6. ('abcabc'),
  7. ('abcabcvvvvabc')
  8. declare @sub_string nvarchar(1024)
  9. set @sub_string = 'abc'
  10. select source_string,
  11.     p1.pos as no1,
  12.     p2.pos as no2,
  13.     p3.pos as no3
  14. from @T
  15. cross apply (select (charindex(@sub_string, source_string))) as P1(Pos)
  16. cross apply (select (charindex(@sub_string, source_string, P1.Pos+1))) as P2(Pos)
  17. cross apply (select (charindex(@sub_string, source_string, P2.Pos+1))) as P3(Pos)

5. 在SSIS里有内置的函数,但T-SQL中并没有

  1. --FINDSTRING in SQL Server 2005 SSIS
  2. FINDSTRING([yourColumn], "|", 2),
  3. --TOKEN in SQL Server 2012 SSIS
  4. TOKEN(Col1,"|",3)

注:不难发现,这些方法和字符串拆分的逻辑是类似的,只不过一个是定位,一个是截取,如果要获取第N个字符左右的一个/多个字符,有了N的位置,再结合substring去截取即可;

三. 多个相同字符连续,合并为一个字符

最常见的就是把多个连续的空格合并为一个空格,解决思路有两个:

1. 比较容易想到的就是用多个replace

但是究竟需要replace多少次并不确定,所以还得循环多次才行

  1. --把两个连续空格替换成一个空格,然后循环,直到charindex检查不到两个连续空格
  2. declare @str varchar(100)
  3. set @str='abc    abc   kljlk   kljkl'
  4. while(charindex(' ',@str)>0)
  5. begin
  6.   select @str=replace(@str,' ',' ')
  7. end
  8. select @str

2. 按照空格把字符串拆开

对每一段拆分开的字符串trim或者replace后,再用一个空格连接,有点繁琐,没写代码示例,如何拆分字符串可参考:“第N次出现的位置”;

四. 是否为有效IP/身份证号/手机号等

类似IP/身份证号/手机号等这些字符串,往往都有自身特定的规律,通过substring去逐位或逐段判断是可以的,但SQL语句的方式往往性能不佳,建议尝试正则函数,见下。

五. 正则表达式函数

1. Oracle

从10g开始,可以在查询中使用正则表达式,它通过一些支持正则表达式的函数来实现:

  1. Oracle 10 g
  2. REGEXP_LIKE
  3. REGEXP_REPLACE
  4. REGEXP_INSTR
  5. REGEXP_SUBSTR
  6. Oracle 11g (新增)
  7. REGEXP_COUNT

Oracle用REGEXP函数处理上面几个问题:

(1) 同一个字符/字符串,出现了多少次

  1. select length(regexp_replace('123-345-566''[^-]''')) from dual;
  2. select REGEXP_COUNT('123-345-566''-'from dual; --Oracle 11g

(2) 同一个字符/字符串,第N次出现的位置

不需要正则,ORACLE的instr可以直接查找位置:

instr('source_string','sub_string' [,n][,m])

n表示从第n个字符开始搜索,缺省值为1,m表示第m次出现,缺省值为1。

select instr('abcdefghijkabc','abc', 1, 2) position from dual;

(3) 多个相同字符连续,合并为一个字符

select regexp_replace(trim('agc f  f '),'\s+',' 'from dual;

(4) 是否为有效IP/身份证号/手机号等

  1. --是否为有效IP
  2. WITH IP
  3. AS(
  4. SELECT '10.20.30.40' ip_address FROM dual UNION ALL
  5. SELECT 'a.b.c.d' ip_address FROM dual UNION ALL
  6. SELECT '256.123.0.254' ip_address FROM dual UNION ALL
  7. SELECT '255.255.255.255' ip_address FROM dual
  8. )
  9. SELECT *
  10. FROM IP
  11. WHERE REGEXP_LIKE(ip_address, '^(([0-9]{1}|[0-9][0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])\.){3}([0-9]{1}|[0-9][0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])$');
  12. --是否为有效身份证/手机号,暂未举例

2. SQL Server

目前最新版本为SQL Server 2017,还没有对REGEXP函数的支持,需要通用CLR来扩展,如下为CLR实现REG_REPLACE:

  1. --1. 开启 CLR
  2. EXEC sp_configure 'show advanced options' '1'
  3. GO
  4. RECONFIGURE
  5. GO
  6. EXEC sp_configure 'clr enabled' '1'
  7. GO
  8. RECONFIGURE
  9. GO
  10. EXEC sp_configure 'show advanced options' '0';
  11. GO

 2. 创建 Assembly

--3. 创建 CLR 函数
CREATE FUNCTION [dbo].[regex_replace](@input [nvarchar](4000), @pattern [nvarchar](4000), @replacement [nvarchar](4000))
RETURNS [nvarchar](4000) WITH EXECUTE AS CALLER, RETURNS NULL ON NULL INPUT
AS
EXTERNAL NAME [RegexUtility].[RegexUtility].[RegexReplaceDefault]
GO
--4. 使用regex_replace替换多个空格为一个空格
select dbo.regex_replace('agc f  f ','\s+',' ');

注:通过CLR实现更多REGEXP函数,如果有高级语言开发能力,可以自行开发;或者直接使用一些开源贡献也行,比如:http://devnambi.com/2016/sql-server-regex/

小结:

1. 非正则SQL语句的思路,对不同数据库往往都适用;

2. 正则表达式中的规则(pattern) 在不同开发语言里,有很多语法是相通的,通常是遵守perl或者linux shell中的sed等工具的规则;

3. 从性能上来看,通用SQL判断 > REGEXP函数 > 自定义SQL函数。

总结:以上所述是小编给大家介绍的SqlServer类似正则表达式的字符处理问题,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。