查找包含 HTML 标记的 Sql Server 表中的所有行

Question

假设我有下表：

CREATE TABLE test (
    head NVARCHAR(100),
    body NTEXT
)   

在这个表中，我想找到 body 列包含 HTML 标记的所有行。任何 HTML 标记，但解决方案不应遗漏任何内容。换句话说，更多的假阳性比更多的假阴性更好。

谁能帮我想出一个可行的解决方案？如果这是代码，我会使用 HTML 解析器或正则表达式来代替。但是我在 SQL Server 中没有开箱即用的正则表达式功能（理想情况下，这将与 2005 及更高版本兼容，但与 2008 及更高版本兼容也可以）。

任何帮助将不胜感激。

另外，上面是NTEXT。如果上表的BODY 列的类型是NVARCHAR(MAX)，您的答案会改变吗？

谢谢！

Answer 1

我同意 cmets 的问题，即使用简单的 LIKE '%<%' 就足够了。 SQL Server 确实使用PATINDEX 函数进行了类似正则表达式的处理。 This answer 有几个例子，还有the MSDN link about it。

PATINDEX 返回一个索引，其中 0 是一个有效索引（请注意）

Answer 2

由于我对没有那么多误报感兴趣，所以我更进一步。根据html 5 standard on start tags，您以“

所以这里是 '

like '%<[A-Za-z0-9]%'

如果您想深入查看两个字符，第二个字符也可以是“/”、“>”或空格。特殊字符会导致问题，所以我相信你必须声明一个变量才能让它们发生：

declare @html_pattern varchar(50)
set @html_pattern = '%<[A-Za-z0-9][A-Za-z0-9/> ' + 
    char(9) + char(10) + char(11) + char(13) + ']%'

like @html_pattern

关于一个稍微不同但相关的想法，您可能还应该寻找 html cmets：

like '%<!--'

说了这么多，我承认我从来没有真正看到过以数字开头的 html 标签，所以我实际上是在使用：

declare @html_pattern varchar(50)
set @html_pattern = '%<[A-Za-z][A-Za-z0-9/> ' + 
    char(9) + char(10) + char(11) + char(13) + ']%'

如果没有人在我身上跳来跳去，我无法在这里正式推荐它。另外，为了记录，更简单的

like '%<[A-Za-z]%'

对于我的数据集也同样有效（诚然，它并没有那么大，唯一的误报是 >[0-9] 的形式）。我认为你甚至可以逃脱：

like '%<[a-z]%'

因为几乎没有人用大写字母编写标签名称（注意我说的是“几乎”），特别是如果您的数据确实有大写字母的误报，但我宁愿不冒险。

顺便说一句，XML 将有不同的模式。

这就是我想在没有正则表达式的情况下达到的程度。

Answer 3

select...where Body like '%<%' and Body like '%>%'