ClickHouse/docs/zh/query_language/functions/string_search_functions.md

123 lines
8.4 KiB
Markdown
Raw Normal View History

# 字符串搜索函数 {#zi-fu-chuan-sou-suo-han-shu}
2019-05-05 17:38:05 +00:00
下列所有函数在默认的情况下区分大小写。对于不区分大小写的搜索,存在单独的变体。
## position(haystack, needle), locate(haystack, needle) {#positionhaystack-needle-locatehaystack-needle}
2019-05-05 17:38:05 +00:00
在字符串`haystack`中搜索子串`needle`。
返回子串的位置以字节为单位从1开始如果未找到子串则返回0。
对于不区分大小写的搜索,请使用函数`positionCaseInsensitive`。
## positionUTF8(haystack, needle) {#positionutf8haystack-needle}
2019-05-05 17:38:05 +00:00
2019-06-06 07:02:18 +00:00
与`position`相同但位置以Unicode字符返回。此函数工作在UTF-8编码的文本字符集中。如非此编码的字符集则返回一些非预期结果他不会抛出异常
2019-05-05 17:38:05 +00:00
对于不区分大小写的搜索,请使用函数`positionCaseInsensitiveUTF8`。
## multiSearchAllPositions(haystack, \[needle<sub>1</sub>, needle<sub>2</sub>, …, needle<sub>n</sub>\]) {#multisearchallpositionshaystack-needle1-needle2-needlen}
2019-05-05 17:38:05 +00:00
2019-06-05 10:04:00 +00:00
与`position`相同但函数返回一个数组其中包含所有匹配needle<sub>i</sub>的位置。
2019-05-05 17:38:05 +00:00
对于不区分大小写的搜索或/和UTF-8格式使用函数`multiSearchAllPositionsCaseInsensitivemultiSearchAllPositionsUTF8multiSearchAllPositionsCaseInsensitiveUTF8`。
## multiSearchFirstPosition(haystack, \[needle<sub>1</sub>, needle<sub>2</sub>, …, needle<sub>n</sub>\]) {#multisearchfirstpositionhaystack-needle1-needle2-needlen}
2019-05-05 17:38:05 +00:00
与`position`相同,但返回在`haystack`中与needles字符串匹配的最左偏移。
对于不区分大小写的搜索或/和UTF-8格式使用函数`multiSearchFirstPositionCaseInsensitivemultiSearchFirstPositionUTF8multiSearchFirstPositionCaseInsensitiveUTF8`。
## multiSearchFirstIndex(haystack, \[needle<sub>1</sub>, needle<sub>2</sub>, …, needle<sub>n</sub>\]) {#multisearchfirstindexhaystack-needle1-needle2-needlen}
2019-05-05 17:38:05 +00:00
2019-06-05 10:04:00 +00:00
返回在字符串`haystack`中最先查找到的needle<sub>i</sub>的索引`i`从1开始没有找到任何匹配项则返回0。
2019-05-05 17:38:05 +00:00
对于不区分大小写的搜索或/和UTF-8格式使用函数`multiSearchFirstIndexCaseInsensitivemultiSearchFirstIndexUTF8multiSearchFirstIndexCaseInsensitiveUTF8`。
## multiSearchAny(haystack, \[needle<sub>1</sub>, needle<sub>2</sub>, …, needle<sub>n</sub>\]) {#multisearchanyhaystack-needle1-needle2-needlen}
2019-05-05 17:38:05 +00:00
2019-06-05 10:04:00 +00:00
如果`haystack`中至少存在一个needle<sub>i</sub>匹配则返回1否则返回0。
2019-05-05 17:38:05 +00:00
对于不区分大小写的搜索或/和UTF-8格式使用函数`multiSearchAnyCaseInsensitivemultiSearchAnyUTF8multiSearchAnyCaseInsensitiveUTF8`。
2019-09-03 08:58:28 +00:00
!!! note "注意"
在所有`multiSearch*`函数中由于实现规范needles的数量应小于2<sup>8</sup>
2019-05-05 17:38:05 +00:00
## match(haystack, pattern) {#matchhaystack-pattern}
2019-05-05 17:38:05 +00:00
检查字符串是否与`pattern`正则表达式匹配。`pattern`可以是一个任意的`re2`正则表达式。 `re2`正则表达式的[语法](https://github.com/google/re2/wiki/Syntax)比Perl正则表达式的语法存在更多限制。
如果不匹配返回0否则返回1。
请注意,反斜杠符号(`\`)用于在正则表达式中转义。由于字符串中采用相同的符号来进行转义。因此,为了在正则表达式中转义符号,必须在字符串文字中写入两个反斜杠(\\)。
正则表达式与字符串一起使用,就像它是一组字节一样。正则表达式中不能包含空字节。
对于在字符串中搜索子字符串的模式最好使用LIKE或«position»因为它们更加高效。
2019-05-05 17:38:05 +00:00
## multiMatchAny(haystack, \[pattern<sub>1</sub>, pattern<sub>2</sub>, …, pattern<sub>n</sub>\]) {#multimatchanyhaystack-pattern1-pattern2-patternn}
2019-05-05 17:38:05 +00:00
与`match`相同但如果所有正则表达式都不匹配则返回0如果任何模式匹配则返回1。它使用[hyperscan](https://github.com/intel/hyperscan)库。对于在字符串中搜索子字符串的模式最好使用«multisearchany»因为它更高效。
2019-05-05 17:38:05 +00:00
2019-09-03 08:58:28 +00:00
!!! note "注意"
任何`haystack`字符串的长度必须小于2<sup>32\</ sup\>字节否则抛出异常。这种限制是因为hyperscan API而产生的。
2019-05-05 17:38:05 +00:00
## multiMatchAnyIndex(haystack, \[pattern<sub>1</sub>, pattern<sub>2</sub>, …, pattern<sub>n</sub>\]) {#multimatchanyindexhaystack-pattern1-pattern2-patternn}
2019-05-05 17:38:05 +00:00
与`multiMatchAny`相同但返回与haystack匹配的任何内容的索引位置。
## multiFuzzyMatchAny(haystack, distance, \[pattern<sub>1</sub>, pattern<sub>2</sub>, …, pattern<sub>n</sub>\]) {#multifuzzymatchanyhaystack-distance-pattern1-pattern2-patternn}
2019-05-05 17:38:05 +00:00
与`multiMatchAny`相同但如果在haystack能够查找到任何模式匹配能够在指定的[编辑距离](https://en.wikipedia.org/wiki/Edit_distance)内进行匹配则返回1。此功能也处于实验模式可能非常慢。有关更多信息请参阅[hyperscan文档](https://intel.github.io/hyperscan/dev-reference/compilation.html#approximate-matching)。
## multiFuzzyMatchAnyIndex(haystack, distance, \[pattern<sub>1</sub>, pattern<sub>2</sub>, …, pattern<sub>n</sub>\]) {#multifuzzymatchanyindexhaystack-distance-pattern1-pattern2-patternn}
2019-05-05 17:38:05 +00:00
与`multiFuzzyMatchAny`相同,但返回匹配项的匹配能容的索引位置。
2019-09-03 08:58:28 +00:00
!!! note "注意"
`multiFuzzyMatch*`函数不支持UTF-8正则表达式由于hyperscan限制这些表达式被按字节解析。
2019-06-05 10:04:00 +00:00
2019-09-03 08:58:28 +00:00
!!! note "注意"
如要关闭所有hyperscan函数的使用请设置`SET allow_hyperscan = 0;`。
2019-05-05 17:38:05 +00:00
## extract(haystack, pattern) {#extracthaystack-pattern}
2019-05-05 17:38:05 +00:00
使用正则表达式截取字符串。如果haystackpattern不匹配则返回空字符串。如果正则表达式中不包含子模式它将获取与整个正则表达式匹配的子串。否则它将获取与第一个子模式匹配的子串。
## extractAll(haystack, pattern) {#extractallhaystack-pattern}
2019-05-05 17:38:05 +00:00
使用正则表达式提取字符串的所有片段。如果haystackpattern正则表达式不匹配则返回一个空字符串。否则返回所有与正则表达式匹配的字符串数组。通常行为与extract函数相同它采用第一个子模式如果没有子模式则采用整个表达式
## like(haystack, pattern), haystack LIKE pattern operator {#likehaystack-pattern-haystack-like-pattern-operator}
2019-05-05 17:38:05 +00:00
检查字符串是否与简单正则表达式匹配。
正则表达式可以包含的元符号有``和`_`。
`%` 表示任何字节数(包括零字符)。
`_` 表示任何一个字节。
可以使用反斜杠(`\`来对元符号进行转义。请参阅«match»函数说明中有关转义的说明。
2019-05-05 17:38:05 +00:00
对于像`needle`这样的正则表达式,改函数与`position`函数一样快。
对于其他正则表达式函数与match函数相同。
## notLike(haystack, pattern), haystack NOT LIKE pattern operator {#notlikehaystack-pattern-haystack-not-like-pattern-operator}
2019-05-05 17:38:05 +00:00
like函数返回相反的结果。
## ngramDistance(haystack, needle) {#ngramdistancehaystack-needle}
2019-05-05 17:38:05 +00:00
基于4-gram计算`haystack`和`needle`之间的距离计算两个4-gram集合之间的对称差异并用它们的基数和对其进行归一化。返回0到1之间的任何浮点数 越接近0则表示越多的字符串彼此相似。如果常量的`needle`或`haystack`超过32KB函数将抛出异常。如果非常量的`haystack`或`needle`字符串超过32Kb则距离始终为1。
2019-05-05 17:38:05 +00:00
对于不区分大小写的搜索或/和UTF-8格式使用函数`ngramDistanceCaseInsensitivengramDistanceUTF8ngramDistanceCaseInsensitiveUTF8`。
## ngramSearch(haystack, needle) {#ngramsearchhaystack-needle}
2019-06-05 10:04:00 +00:00
与`ngramDistance`相同,但计算`needle`和`haystack`之间的非对称差异——`needle`的n-gram减去`needle`归一化n-gram。可用于模糊字符串搜索。
对于不区分大小写的搜索或/和UTF-8格式使用函数`ngramSearchCaseInsensitivengramSearchUTF8ngramSearchCaseInsensitiveUTF8`。
2019-09-03 08:54:57 +00:00
!!! note "注意"
对于UTF-8我们使用3-gram。所有这些都不是完全公平的n-gram距离。我们使用2字节哈希来散列n-gram然后计算这些哈希表之间的对称差异 - 可能会发生冲突。对于UTF-8不区分大小写的格式我们不使用公平的`tolower`函数 - 我们将每个Unicode字符字节的第5位从零开始和字节的第一位归零 - 这适用于拉丁语,主要用于所有西里尔字母。
2019-05-05 17:38:05 +00:00
2020-01-30 10:34:55 +00:00
[来源文章](https://clickhouse.tech/docs/en/query_language/functions/string_search_functions/) <!--hide-->