替换出现两次的字符串部分 Oracle

Question

我正在尝试在 Oracle 中研究如何隔离/突出显示连接字符串中的单词组合，如下所示：

Some words##Again words##More of this||@@@@||Some words##Again words##Other

我们的想法是找到出现恰好出现两次的单词组合并将它们替换为 0，这样我就剩下只出现一次的单词组合，或者在 ||@@@@|| 的左侧或在右侧。查询的结果应该是这样的：

突出显示

Some words##Again words##More of this||@@@@||Some words##Again words##**Other**

替换

0##0##More of this||@@@@||0##0##Other

为您提供有关串联的更多信息：左侧（||@@@@|| 之前）是我当前的客户记录，而右侧是以前的版本。通过进行替换，我可以揭示客户记录之间的任何差异。

我已尝试通过以下方式完成此操作：

• regexp_replace：这并不完全适用于REGEXP_REPLACE(MY STRING,'((Some words){1,2})|((Again words){1,2})','0',1,0)，因为出于某种原因，我的第一条记录中的字符串部分永远不会被正确替换。由于我需要匹配的单词组合的数量，我也达到了这个功能的限制；
• nested CASE WHEN：显然也不起作用，因为 CASE WHEN - 甚至是嵌套的 - 在找到第一个匹配项时停止，但我需要检查并替换所有条件。
• 我曾考虑过使用子选择，但由于此查询使用了我的架构中最大的表之一，因此除非基于每个客户，否则它将无法使用。它可能仍然无法正常工作...

更多信息，以便找到可靠、高效的解决方案：

• 我有 34 个可能的单词组合要匹配
• 我不知道哪些会在那里，除非我很明显地运行查询
• 我不知道它们在连接字符串中的顺序

我希望这很清楚。有人有一些神奇的想法吗？

提前致谢

Answer 1

您可以使用递归子查询因式分解子句在每次迭代中替换一个重复项：

WITH replaced ( value, start_char ) AS (
  SELECT REGEXP_REPLACE(
           value,
           '(##|^)([^#]+?)((##[^#]+?)*\|\|@@@@\|\|([^#]+?##)*)\2(##|$)',
           '\10\30\6',
           1
         ),
         REGEXP_INSTR(
           value,
           '(##|^)([^#]+?)((##[^#]+?)*\|\|@@@@\|\|([^#]+?##)*)\2(##|$)',
           1
         )
  FROM   table_name
UNION ALL
  SELECT REGEXP_REPLACE(
           value,
           '(##|^)([^#]+?)((##[^#]+?)*\|\|@@@@\|\|([^#]+?##)*)\2(##|$)',
           '\10\30\6',
           start_char + 1
         ),
         REGEXP_INSTR(
           value,
           '(##|^)([^#]+?)((##[^#]+?)*\|\|@@@@\|\|([^#]+?##)*)\2(##|$)',
           start_char + 1
         )
  FROM   replaced
  WHERE  start_char > 0
)
SELECT value
FROM   replaced
WHERE  start_char = 0;

其中，对于样本数据：

CREATE TABLE table_name ( value ) AS
SELECT 'Some words##Again words##More of this||@@@@||Some words##Again words##Other' FROM DUAL UNION ALL
SELECT '333##123##789##555||@@@@||123##456##789##222##333' FROM DUAL;

输出：

|价值 | | :------------------------------------------------ | | 0##0##更多||@@@@||0##0##其他 | | 0##0##0##555||@@@@||0##456##0##222##0 |

db小提琴here

说明：

正则表达式匹配：

• (##|^) 两个# 字符或字符串的开头^（在第一个捕获组() 中）；
• ([^#]+?)一个或多个不是#的字符（在第二个捕获组()中）；
• (第三个捕获组的开始；
  • (##[^#]+?)* 两个# 字符后跟一个或多个非# 字符（在第四个捕获组() 中）都重复了零个或多个* 次；
  • \|\|@@@@\|\| 然后是两个 | 字符、四个 @ 字符和两个 | 字符；
  • ([^#]+?##)* 然后是多个非# 字符，后跟两个# 字符（在第5 个捕获组() 中）；
• )第三个捕获组结束；
• \2 第二个捕获组的副本；那么
• (##|$) 两个 # 字符或字符串结尾 $（在第 6 个捕获组中）。

替换为：

• \10\30\6 这是第一个捕获组的内容，然后是零（替换第二个捕获组），然后是第三个捕获组的内容，然后是第二个零（替换匹配的副本），然后是第六个捕获组的内容。

查询将替换字符串中的一对重复项（如果它们存在），REGEXP_INSTR 将找到匹配的开始并将值放入value 和start_char（分别）；然后在下一次迭代中，正则表达式将从上一个匹配开始的下一个字符开始查找，以便它将逐渐在字符串中移动查找匹配项，直到找不到更多重复项并且REGEXP_REPLACE 将不会执行替换和REGEXP_INSTR 将返回0 并且迭代将终止。

最终查询过滤器返回唯一的最终迭代级别（当所有重复项都已被替换时）。