使用 Oracle SQL 正则表达式的子字符串答案

【问题标题】：Substring using Oracle SQL regex使用 Oracle SQL 正则表达式的子字符串
【发布时间】：2017-06-15 06:53:43
【问题描述】：

我创建了一个正则表达式来捕获我需要的字符串。当我在 rubular.com 等网站上测试正则表达式时，一切正常，但是当我将相同的正则表达式放入 REGEXP_SUBSTR 函数时，它就不起作用了。

这里有 2 个 SQL 示例（一个是英文文本，另一个是 Kristaps Porzingis 的语言）：

SELECT regexp_substr('<ul data-error-code="REOPENED" data-unique-error-code="REOPENED"><li class="b">This is the text I would like to substr! <p class="tutorial" href="#">Other random text that I do not need</li></ul>'
                    ,'<li class="b">([\wāēīšžģņļčķū:!,\b\s]+)<') 
  FROM dual;

SELECT regexp_substr('<ul data-error-code="REOPENED" data-unique-error-code="REOPENED"><li class="b">Šī ir valoda, ko lielākā daļa no jums nesaprot! <p class="tutorial" href="#">Other random text that I do not need</li></ul>'
                    ,'<li class="b">([\wāēīšžģņļčķū:!,\b\s]+)<') 
  FROM dual;

我正在尝试在 <li class="b"> 和下一个 html 标记之间选择文本，在本例中为 <p class="tutorial">。

关于我做错了什么有什么建议吗？

【问题讨论】：

标签： sql regex oracle regexp-substr

【解决方案1】：

不建议使用正则表达式解析 HTML，您最好获取字符串并使用能够方便地解析 HTML 的语言对其进行解析。

如果您手头只有 Oracle DBMS，对于一次性工作，您可以考虑使用以下regexp_substr：

SELECT regexp_substr('<ul><li class="b">Šī ir valoda, ko lielākā daļa no jums nesaprot! <p>Not needed</li></ul>',
      '<li\s+class="b">([^<]+)', 1, 1, NULL, 1) as RESULT from dual

见REXTESTER demo：

这里，

<li\s+class="b"> - 匹配 <li、1+ 个空格、class="b">literal 子字符串
([^<]+) - 捕获到第 1 组的一个或多个字符，而不是 <

最后一个 1 参数允许您访问此组 1 的内容。

【讨论】：

谢谢。不幸的是，对于这份工作，我只有 Oracle DBMS。我完全同意您的观点，必须使用其他更合适的语言来使用正则表达式解析 HTML。
@Alex FYI，根据版本，Oracle DBMS 内置了处理 XML 的方法。例如EXTRACT，它允许您使用 xpath。但是，是的，HTML 并不完全是 XML。

【解决方案2】：

您可以简化该正则表达式。
不要查找特定字符，而是查找不是< 或> 的字符

例如：

SELECT regexp_substr('<ul><li class="b">Šī ir valoda, ko lielākā daļa no jums nesaprot! <p>Not needed</li></ul>'
                    ,'<li class="b">([^<>]+)',1,1,'i',1) as b_class
FROM dual

其中[^<>] 匹配任何不是< 或> 的字符

或者你可以懒惰地匹配字符直到第一个<

SELECT regexp_substr('<ul><li class="b">Šī ir valoda, ko lielākā daļa no jums nesaprot! <p>Not needed</li></ul>'
                    ,'<li class="b">(.*?)<',1,1,'ni',1) as b_class
FROM dual

.*? 将尝试使用字符直到第一个 <
通过添加match parametern，如果标签后面有多行文本，它也会匹配。

'n' 允许使用句点 (.)，它是匹配任意字符的字符，匹配换行符。如果省略此参数，则周期与换行符不匹配。

【讨论】：

【解决方案3】：

我会使用 Instr 搜索第一个 html 标记的位置，并在该位置之后执行一个子字符串来获取文本的尾部。下一步是在这个尾部搜索 '

有点像

select substring(mytext, 1, instr(mytext, '<')) from 
(
 select substring(text, instr(text, '<li class="b">') + 
 length('<li class="b">') +1) as mytext from table
)

【讨论】：