使用 SQL 确定文本字段的字数统计

Posted 2023-03-05

【中文标题】使用 SQL 确定文本字段的字数统计

【英文标题】：Using SQL to determine word count stats of a text field

【发布时间】：2010-10-19 09:30:15

【问题描述】：

我最近一直在研究一些数据库搜索功能，并希望获得一些信息，例如每个文档的平均字数（例如数据库中的文本字段）。到目前为止，我发现的唯一一件事（没有在数据库之外选择语言进行处理）是：

SELECT AVG(LENGTH(content) - LENGTH(REPLACE(content, ' ', '')) + 1)
FROM documents

这似乎可行*，但您还有其他建议吗？我目前正在使用 mysql 4（希望尽快为这个应用迁移到版本 5），但我也对通用解决方案感兴趣。

谢谢！

* 我可以想象这是一种非常粗略的确定方法，因为它也没有考虑内容中的 html 等。这对这个特定项目来说没问题，但还有更好的方法吗？

更新： 定义我所说的“更好”：更准确、执行更高效或更“正确”（易于维护、良好实践等）。对于我现有的内容，上面的查询速度足够快，并且对于这个项目来说是准确的，但我将来可能需要类似的东西（所以我问了）。

【问题讨论】：

这帮助我解决了我的问题，但我发现我的一些字段有尾随空格，所以我使用了 LENGTH(TRIM(content)) 而不是 LENGTH(content)。

【参考方案1】：

MySQL 的文本处理能力不足以满足您的需求。存储函数是一种选择，但可能会很慢。在 MySQL 中处理数据的最佳选择是添加user defined function。如果您仍然要构建更新版本的 MySQL，您还可以添加 native function。

“正确”的方法是在 DB 之外处理数据，因为 DB 用于存储而不是处理，任何繁重的处理都可能会给 DBMS 带来过多的负载。此外，在 MySQL 之外计算字数可以更容易地更改对单词的定义。将字数存储在数据库中并在文档更改时更新它如何？

示例存储函数：

DELIMITER $$
CREATE FUNCTION wordcount(str LONGTEXT)
       RETURNS INT
       DETERMINISTIC
       SQL SECURITY INVOKER
       NO SQL
  BEGIN
    DECLARE wordCnt, idx, maxIdx INT DEFAULT 0;
    DECLARE currChar, prevChar BOOL DEFAULT 0;
    SET maxIdx=char_length(str);
    SET idx = 1;
    WHILE idx <= maxIdx DO
        SET currChar=SUBSTRING(str, idx, 1) RLIKE '[[:alnum:]]';
        IF NOT prevChar AND currChar THEN
            SET wordCnt=wordCnt+1;
        END IF;
        SET prevChar=currChar;
        SET idx=idx+1;
    END WHILE;
    RETURN wordCnt;
  END
$$
DELIMITER ;

【讨论】：

您的功能解决方案很棒，我喜欢它。对我来说，它只计算带有 ' 的单词（就像没有 2 一样）。我确实发布了对您的功能的更新。

【参考方案2】：

这要快得多，但准确度稍差。我发现它的计数亮了 4%，这对于“估计”场景来说是可以的。

SELECT
    ROUND (   
        (
            CHAR_LENGTH(content) - CHAR_LENGTH(REPLACE (content, " ", "")) 
        ) 
        / CHAR_LENGTH(" ")        
    ) AS count    
FROM documents

【参考方案3】：

您可以使用来自https://github.com/spachev/mysql_udf_bundle 的word_count() UDF。我从接受的答案中移植了逻辑，不同之处在于我的代码仅支持 latin1 字符集。需要重新设计逻辑以支持其他字符集。此外，两种实现都始终将非字母数字字符视为分隔符，这可能并不总是可取的 - 例如，两种实现都将“教师用书”视为三个单词。

当然，UDF 版本要快得多。为了进行快速测试，我在 Project Guttenberg 的数据集上进行了尝试，该数据集包含 9751 条记录，总计约 3 GB。 UDF 在 18 秒内完成了所有这些，而存储函数只用了 63 秒来处理 30 条记录（UDF 在 0.05 秒内完成）。所以在这种情况下，UDF 大约快 1000 倍。

UDF 将在速度上击败任何其他不涉及修改 MySQL 源代码的方法。这是因为它可以访问内存中的字符串字节，并且可以直接对字节进行操作，而无需移动它们。它也被编译成机器码，直接在CPU上运行。

【参考方案4】：

一些类似情况的简单解决方案（MySQL）：

选择 *, (CHAR_LENGTH(student)-CHAR_LENGTH(REPLACE(student,' ','')))+1 as 'count' 来自文件；

【参考方案5】：

好吧，我尝试使用上面定义的函数，它很棒，除了一种情况。

在英语中，你经常使用 ' 作为单词的一部分。上面的函数，至少对我来说，算“没有”为 2。

所以这是我的小修正：

DELIMITER $$
CREATE FUNCTION wordcount(str TEXT)
            RETURNS INT
            DETERMINISTIC
            SQL SECURITY INVOKER
            NO SQL
       BEGIN
         DECLARE wordCnt, idx, maxIdx INT DEFAULT 0;
         DECLARE currChar, prevChar BOOL DEFAULT 0;
         SET maxIdx=CHAR_LENGTH(str);
         WHILE idx < maxIdx DO
             SET currChar=SUBSTRING(str, idx, 1) RLIKE '[[:alnum:]]' OR SUBSTRING(str, idx, 1) RLIKE "'";
             IF NOT prevChar AND currChar THEN
                 SET wordCnt=wordCnt+1;
             END IF;
             SET prevChar=currChar;
             SET idx=idx+1;
         END WHILE;
         RETURN wordCnt;
       END
     $$