ARCHIV

PostgreSQL (11) - Výběr pomocí vzorků

V tomto díle bude probrán výběr porovnáním textů se vzorky, nejen jednoduchými. ale i těmi, které umí způsobit mnoha programátorům bolení hlavy - regulárními výrazy, s ohledem na jejich použití v PostgreSQL serveru.

13.6.2005 11:00 | MaReK Olšavský | Články autora | přečteno 21515×

PostgreSQL server na rozdíl od MySQL, zcela určitě i dalších, nepodporuje fulltextové vyhledávání, což se může zdáti nevýhodou, ale není tomu tak. V MySQL, kde je tato funkce, v rámci některých (webových) projektů, využívána to obnáší použití speciální indexace, což není ještě nejvážnější problém, ale při použití této vlastnosti jako takové lze velmi často narazit na problémy při použití národních znakových sad.

Vyhledávání na PostgreSQL lze realizovat velice jednoduše, použitím funkcí LIKE a SIMILAR TO, přičemž přetím je třeba si předtím vstupní řetězec, sestává-li se z více slov, rozdělit na jednotlivé části, to lze realizovat buď zpracováním na úrovni aplikace, případně pomocí stored procedury na straně serveru (dle názoru autora se jedná o vhodnější způsob a uloženým procedurám bude věnována značná část seriálu.

Regulární výrazy

Zápis ^.+@.+\\..+$ může způsobit většině začínajících programátorů menší bolení hlavy, jedná se však o nejjednodušší možný regulární výraz, kterým se dá ověřit, zda-li je řetězec korektně zapsanou e-mailovou adresou (ověřit její existenci je věc trochu jiná). Samozřejmě, že i tento regulátní výraz lze napsat o něco složitěji a korektněji, protože v tomto případě bude jako validní mail vyhodnocen i řetězec 'ja@b..cz'.

Regulární výrazy si lze představit, jako obecné vzorky, které postihují tvar řetězce, poměrně pěknou začátečnickou příručku na regulární výrazy napsal Pavel Satrapa, k nalezení je na jeho stránkách. Zde v pár odstavcích bude pouze to nejjednodušší možné. Vzorky mohou být jednoduché, popisující jen znakové řetězce, případně velmi složité, popisující i opakování částí řetězce, jejich zrcadlení, atp.

Nejprve budou uvedeny alespoň některé řídící znaky používané v regulárních výrazech (a jejich přesný výraz je určen pozicí ve vzorku):

• ^ - Následující znak(y) jsou počáteční v řetězci, případně nebud(e/ou) obsažen(y)
• $ - Předcházející sekvence znaků je konec řetězce
• . - (Tečka)  Libovolný znak kromě konce řádku, tečka
• \ - escape, mění význam znaku za lomítkem, takže například pro vyhledání tří teček se nepoužívá sekvence '...', ale '\.\.\.'
• * - opakování (!nula a vícekrát)
• + - opakování (jednou a vícekrát)
• ? - opakování nula, či jedenkráte
• () - seskupení znaků do logických jednotek
• [] - uzavření znakové třídy
• | - Nebo, oddělení dvou variant
• {} - Počet opakování

Protože velmi kvalitní informace o regulárních výrazech má ve své příručce Pavel Satrapa, bude zde rozsah omezen jen na několik příkládků s vysvětlením. PostgreSQL server umí regulární výrazy podle zvyklostí v jazyce Perl a v systému POSIX, proto mohou při zápise stejném, jako v PHP vzniknout určité chyby a nefunkčnosti.

Příklady:

• ^ahoj - všechny řetězce začínající slovem ahoj
• konec$ - všechny řetězce končící sekvencí konec
• ^t[e|á]ta - vyhoví věty začínající slovy táta i teta
• ^.?r(\. ){0,1}nec$ - vyhoví slova 'rnec', 'srnec', 'hrnec' i 'dr. nec'
• ^[0-3]?[0-9](\.)( )?[0-1]?[0-9]\.$ - datum ve tvaru dd. mm, ale nekorektně, povolí třeba zápis 37. 19., správnější tvar je tedy ^(([0-2]?[0-9])|(3[01]))(\.)( )?((0?[0-9])|(1[012]))$
•  ^([a-zA-Z0-9_-]+)(\.[a-zA-Z0-9_-]+)*@([a-zA-Z0-9_-]+\.)+[a-zA-Z]{2,5}$- ověření, zda-li se jedná o správně zapsanou e-mailovou adresu (trochu korektněji).
  

Vyhledávání pomocí vzorků

Vyhledání pomocí vzorku

Pokud je přesně známá alespoň část řetězce, lze v části WHERE použít příkaz LIKE, případně NOT LIKE pro vyloučení z výběru, pro výběr, je-li známa alespoň část řetězce. A tato musí být známa přesně!! Protože pro přesně určení lze použít přímo sekveci ...WHERE colx='slovo',  nabízí příkaz LIKE, použití tzv. žolíků, nebo-li divokých znaků. Tyto znaky jsou 2 (slovem dva), '_' (podtržítko) pro nahrazení jednoho znaku a '%' pro nahrazení libovolného počtu znaků. Pokud je třeba některý ze zástupných znaků vložit jako znak pro vyhledání, je nutné jej odescapovat vložením znaku '\' (zpětné lomítko), ale i tento escapovací znak lze změnit použitím klazule ESCAPE. Pokud je potřeba mít příkaz LIKE (a NOT LIKE) nezávislé na velikosti písmen, stačí přidat písmeno 'I' (odvozeno od insensitive), tj. ILIKE a NOT ILIKE.

Podobně jako příkaz LIKE funguje i SIMILAR TO, který je v normě SQL99, jeho použití není stejné jako LIKE, ale tak trochu naznačuje, co umožňují regulární výrazy.  Kromě zástupných znaků '%' a '_' jsou definovány i některé další znaky z regulárních výrazů: '|', '*', '+' , '()' a '[]'. Toto jsou všechny znaky a bloky, které SIMILAR TO podporuje, popis komplexního vyhledávání pomocí regulárních výrazů je dále.

Použití LIKE a SIMILAR TO bude nejlépe viditelné na konkrétních příkladech, které budou zkoušeny na :

SELECT * FROM products WHERE title like 'Slack';
SELECT * FROM products WHERE title like 'Slack%';
SELECT * FROM products WHERE title not ilike 'slack%';
SELECT * FROM products WHERE title SIMILAR TO '%(Ve)%';

Vyhledávání regulárními výrazy

Pro porovnání pole z databázové věty vůči vzorku se používá operátor '~' (tilda/vlnovka) s několika modifikátory - '!' (vykřičník) pro negaci a '*' (hvězdička) pro nerozlišování malých a velkých písmen. Pro vyhledávání se nepoužívá klíčové slovo LIKE (), SIMILAR TO.  Použití vyplyne opět nejlépe z příkladů:

SELECT * FROM products WHERE description ~ '\.\.\.';
SELECT * FROM products WHERE description !~ 
     '([a-zA-Z0-9_-]+)(\.[a-zA-Z0-9_-]+)*@([a-zA-Z0-9_-]+\.)+[a-zA-Z]{2,5}';
SELECT * FROM products WHERE description !~* 'slack';

Vysvětlení je takovéto. V první příkladě jsou vybrány všechny položky, které mají v popisu ... (tři tečky), v druhém jsou vybrány ty, kde není v popisu uveden e-mail a ve třetím ty, které neobsahují slovo 'slack', s ignorováním malých a velkých písmen.

Poznámka

Regulární výrazy lze v příkazu SELECT použít nejen pro vyhledávání záznamů, ale i pro získávání částí řetězců, pomocí funkce substring. Další využití (trochu složitější je) při tvorbě tabulky vytvořit donucující omezení (constrains), které budou data kontrolovat ihned při vkládání záznamů do tabulky. Protože se jedná o malinko složitější záležitosti, a ne nutné při prvních krocích s databází, je tato problematika odložena na později.

Závěr

Tento díl byl o něco kratší, než je běžným zvykem tohoto seriálu, ale vzhledem k tomu, že regulární výrazy nejsou elementární a zcela jednoduchou záležitostí, budou mít čtenáři o dostatek studijního materiálu bohatě postaráno. Protože regulární výrazy jsou tématem na vlastní seriálek...

Verze pro tisk

DISKUZE fulltext 13.6.2005 13:17 Tomas Konir Re: fulltext 13.6.2005 13:41 MaReK Olšavský Negace 13.6.2005 20:28 Petr Zajíc   Re: Negace 14.6.2005 14:07 MaReK Olšavský Zobrazit označené Zobrazit vše Příspívat do diskuze mohou pouze registrovaní uživatelé.