Oracle REGEXP_INSTR() 和“a-z”字符范围与预期不匹配

Posted 2023-05-09

【中文标题】Oracle REGEXP_INSTR() 和“a-z”字符范围与预期不匹配

【英文标题】：Oracle REGEXP_INSTR() and "a-z" character range doesn't match as expected

【发布时间】：2019-09-18 07:02:37

【问题描述】：

我想在 oracle 数据库中使用 REGEXP_INSTR() 来检查小写/大写字符。我知道[:upper:] 和[:lower:] POSIX 字符类，但我选择了a-z，这给了我非常奇怪的结果，我不明白。有人可以解释一下吗？

SELECT REGEXP_INSTR('abc','[A-Z]',1,1,0,'c') FROM DUAL
-- Got 2, expected 0

SELECT REGEXP_INSTR('zyx','[A-Z]',1,1,0,'c') FROM DUAL
-- Got 1, expected 0

SELECT REGEXP_INSTR('ABC','[a-z]',1,1,0,'c') FROM DUAL
-- Got 1, expected 0

SELECT REGEXP_INSTR('ZYX','[a-z]',1,1,0,'c') FROM DUAL
-- Got 2, expected 0

SELECT REGEXP_INSTR('a3','[A-F0-9]',1,1,0,'c') FROM DUAL
-- Got 2, expected 2

SELECT REGEXP_INSTR('b3','[A-F0-9]',1,1,0,'c') FROM DUAL
-- Got 1, expected 2

SELECT REGEXP_INSTR('b3','[A-F0-9]') FROM DUAL
-- Got 1, expected 1 or 2

SELECT REGEXP_INSTR('a3','[A-F0-9]') FROM DUAL
-- Got 2, expected same as above

【问题讨论】：

'c': Turn on case sensitive matching. 例如，REGEXP_INSTR('zyx','[A-Z]',1,1,0,'c') 将匹配z，而你不能指望0。请注意字符串中的第一个字符的位置为 1。 请参阅regular-expressions.info/oracle.html

是的，'c' 开启区分大小写的匹配。 'z' 是小写的。我希望 '[A-Z]' 匹配从 A 到 Z 的大写字符。为什么它会匹配 z？

请检查this post，检查NLS_COMP和NLS_SORT会话参数是否干扰正则表达式区分大小写匹配。

让我们假设c 使[A-Z] 等于[A-Za-z]，我对此表示怀疑，因为这将区分大小写，为什么第一个查询不返回1？

@xsrf 如果你设置NLS_SORT = binary 你会得到你预期的结果

【参考方案1】：

行为的原因是排序规则。见NLS_SORT documentation：

如果值为 BINARY，则 ORDER BY 查询的排序顺序基于字符的数值（需要较少系统开销的二进制排序）。 如果值是命名语言排序，则排序基于定义的语言排序的顺序。 NLS_LANGUAGE 参数支持的大多数（但不是全部）语言也支持同名语言排序。

将NLS_SORT 设置为BINARY，以便[A-Z] 可以按照与ASCII 表中相同的顺序进行解析，

alter session set nls_sort = 'BINARY'

然后，您将获得一致的结果。

请参阅online demo。

【参考方案2】：

好的，NLS_SORT 导致这种行为的答案是正确的，但我认为它不能以一种可以理解的方式解释它。我找到的所有文档都没有真正做到这一点......

您必须想象[a-z] 定义的字符范围实际上是从所有可能字符的单个子字符串派生的，这些字符根据NLS_SORT 进行排序。

让我们假设整个字母表只是字母数字字符。按BINARY 排序，这将产生一个类似0123456789abcdefgh...xyzABCDE...XYZ 的基本字符串。 由此派生，[0-6] 扩展到 [0123456]、[a-f] 到 [abcdef]、[5-b] 到 [56789ab] 等。

按linguistic_definition 排序，但是会产生不同的基本字符串，例如0123456789aAbBcCdDeF...xXyYzZ。 由此派生，[0-6] 仍扩展为 [0123456]，但 [a-f] 现在扩展为 [aAbBcCdDeEf] 和 [5-b] 扩展为 [56789aAb] 等...

这就是为什么a 不匹配[A-Z]，但b 匹配。 [A-Z] 实际上扩展为 [AbBcC...yYzZ]，其中包括 z 但不包括 a。

实际上[A-Z] 甚至可能包含更多字符，例如[aAàáâÀÁÂ...] 等。