mysql - 如何使用 Regexp 进行复杂的字符串匹配？

Question

我正在尝试在 MYSQL 中搜索一些非结构化文本字段的模式，基于员工的笔记，这些笔记因不同的数据输入样式而异。数据条目可能会记录以下咖啡因使用情况:

User 1: 'Caffeine: Never'
User 2: 'Caffeine - Not much'
User 3: 'Caffeine:  No' 
User 4: 'Caffeine-No'

我正在尝试找到一种方法来搜索所有显示“Caffeine”的记录 +(1 个或更多空格或无空格)+(:或 - 或无字符)+(1 个或更多空格或无空格)+ (不是任何以“N”开头的东西)

我试过的是:

从表中选择 *，其中文本 RLIKE [[:space:]][[:punct:]][[:space:]]*[^nN]';

表达式的第一部分似乎有效，但我在最后一部分的结果中发现异常，不包括“n”或“N”，我不确定为什么我的查询没有排除。我希望有人可以在这里帮助澄清这一点。

Answer 1

为什么会这样？

由于回溯，您仍在匹配这些句子。

因为您正在使用 [^nN] , 它仍然可以匹配 blank或 punct .这就是正在发生的事情(只需使用您的示例输入之一来说明):

使用 Caffeine[:blank:]*[:punct:]*[:blank:]*[^nN]举个例子(你所有的模式都以同样的方式运作)。

User 4: 'Caffeine-No'
         ^^^^^^^^       matches Caffeine literally
                 ^      matches [:blank:] zero times
                 ^      matches [:punct:] one time
                  ^     matches [:blank:] zero times
                  ^     N doesn't match `[^nN]`, let's backtrack to see if something else works
                 ^      matches [:punct:] zero times
                 ^      matches [:blank:] zero times
                 ^      - matches [^nN]

Good match due to backtracking

在上面，您的正则表达式允许 [^nN]匹配 -特点。正则表达式想要匹配某些东西，所以它会穷尽所有可能性直到它匹配(或者没有可能性保留并且不匹配)。

如何解决这个问题？

解决此问题的一种方法是仅在 [^nN] 的位置指定可能的字符(类似于 [0-9a-mo-z] 等)，但这很快就会变得复杂。更好的替代方案如下:

See the SQL working here

select * from docs where content REGEXP 'Caffeine[[:blank:]]*[[:punct:]]*[[:blank:]]*[[:<:]][^nN]'

上面一行使用了[[:<:]]断言该位置是单词边界的开始。其他语言使用\b表示相同。这意味着它确保除 [0-9a-zA-Z_] 之外的任何字符匹配位置的左侧，并且 [0-9a-zA-Z_] 中的任何字符匹配到位置的右侧。

在其他正则表达式引擎中，使用所有格量词(通常是 + 跟随量词，例如 .*+ )可以轻松实现相同的目的，但 MySQL 还没有所有格标记 (AFAIK)。