我可以使用正則表達式來匹配一組值嗎？

Question

我想檢查一列中任何部分行中包含的集合中的每個元素。例如，

集A = {5013，AAB，402dha）

列B

 
adaf**5013**dad344 
23**aab**yyyy 
zzz**402dha**vuuuda 
..... 
... 

1. 我不能使用 「其中所述的B列」，因爲有前緣和後字符;
2. 我不能使用TRIM，SUBSTRING，因爲我想要搜索的元素可以在列行的任何部分;
3. 當A只有3個元素時，我可以在where子句中寫入3個正則表達式，但當A有1000個元素時，我不能這樣做。

我的問題是，如果有一種方法我可以做到這一點？或者在Excel中是否有類似於「VLookup」的功能？

我會感激任何想法！

Answer 1

這是一個很可怕的模式;通過更改它可以實現最佳結果，以便將多個值存儲在：

• 普通關係子表;
• Arrays;或
• hstore

所有這些都允許您使用相當簡單和穩健的SQL表達式來確定你想要什麼，並且是可轉位（通過爲子表常規B樹索引，並通過的GiST或GIN索引對於數組和hstore）可以在大型表上獲得更好的性能。

這當然是可能的，但性能會很糟糕。一種方法是使用regexp_split_to_array將列轉換爲數組，然後使用array operators來測試重疊。

請參閱this SQLFiddle demo，它使用了擴展的測試集，因爲您不足以證明問題。

我已經顯示「任何一組出現在列」（%%）和「全部集合出現在列」（@>）中，因爲它不清楚您想要的問題。

---

設置：

CREATE TABLE test(gah text); 

INSERT INTO test(gah) VALUES 
('adaf**5013**dad344'), 
('23**aab**yyyy'), 
('zzz**402dha**vuuuda'), 
('no**matches**here**lalala'), 
('5013**aab**402dha'), 
('402dha**aab**somethingelse**5013'), 
('402dha**aab**5013'); 

演示：

regress=> SELECT gah FROM test 
      WHERE regexp_split_to_array(gah, '\*\*') && ARRAY['5013', 'aab', '402dha']; 
       gah     
---------------------------------- 
adaf**5013**dad344 
23**aab**yyyy 
zzz**402dha**vuuuda 
5013**aab**402dha 
402dha**aab**somethingelse**5013 
402dha**aab**5013 
(6 rows) 

regress=> SELECT gah FROM test 
      WHERE regexp_split_to_array(gah, '\*\*') @> ARRAY['5013', 'aab', '402dha']; 
       gah     
---------------------------------- 
5013**aab**402dha 
402dha**aab**somethingelse**5013 
402dha**aab**5013 
(3 rows) 

令人驚訝的是，實際上你可以創建將通過利用PostgreSQL的支持表達指數的受益此查詢的索引。當然，僅僅因爲你可以做到這一點並不意味着它是一個好主意：

regress=> CREATE INDEX test_glah_resplit_gin ON test 
      USING GIN((regexp_split_to_array(gah, '\*\*'))); 
CREATE INDEX 
regress=> -- Only for testing purposes, don't use in production: 
regress=> SET enable_seqscan = off; 
SET 
regress=> explain SELECT gah FROM test WHERE regexp_split_to_array(gah, '\*\*') @> ARRAY['5013', 'aab', '402dha']; 
              QUERY PLAN           
----------------------------------------------------------------------------------------------- 
Bitmap Heap Scan on test (cost=16.00..20.02 rows=1 width=32) 
    Recheck Cond: (regexp_split_to_array(gah, '\*\*'::text) @> '{5013,aab,402dha}'::text[]) 
    -> Bitmap Index Scan on test_glah_resplit_gin (cost=0.00..16.00 rows=1 width=0) 
     Index Cond: (regexp_split_to_array(gah, '\*\*'::text) @> '{5013,aab,402dha}'::text[]) 
(4 rows) 

regress=> explain SELECT gah FROM test WHERE regexp_split_to_array(gah, '\*\*') && ARRAY['5013', 'aab', '402dha']; 
              QUERY PLAN           
----------------------------------------------------------------------------------------------- 
Bitmap Heap Scan on test (cost=16.00..20.02 rows=1 width=32) 
    Recheck Cond: (regexp_split_to_array(gah, '\*\*'::text) && '{5013,aab,402dha}'::text[]) 
    -> Bitmap Index Scan on test_glah_resplit_gin (cost=0.00..16.00 rows=1 width=0) 
     Index Cond: (regexp_split_to_array(gah, '\*\*'::text) && '{5013,aab,402dha}'::text[]) 
(4 rows) 

GIN索引是昂貴的更新，所以你會付出顯著的性能價格上insert/update如果你使用這種方法。普通陣列就是這樣;使用regexp_split_to_table來動態創建它們只會讓它變得更糟。見GIN tips和the intro to GIN indexes。

例如，使用INSERT INTO test(gah) SELECT 'aaaaabbbbb'||(x::text) FROM generate_series(1,1000000) x;插入一百萬行到我的測試表中需要22秒的GIN索引，並在丟棄它之後1.6秒。不過，這可能是一個特別糟糕的情況，因爲價值的統一性。