MySQL解决抓取文章的html标签替换及其mysql函数的用法说明

时间：2021-08-13 09:20:10
刚刚做完了一个手机客户端的攻略的Html5 Web App页面，新的需求出现了：由于攻略文章是抓取过来的，有很多外链，一开始没有过滤。于是先用PHP写了一个过滤函数，然后批量执行更新相关数据库记录即可。
 
	public static function filter_newslink($aid){
		$content = mod_news :: get_newscont($aid);
		//先过滤图片的外链 非贪婪匹配 普通正则用?，PHP用/U转变是否贪婪
		$content = preg_replace('/<a([^>]*)>(<img[^>]*>)<\/a>/iU', '$2', $content);
		//再过滤文字的外链<a title="" href="">文字</a>为文字
		$content = preg_replace('/<a([^>]*)>([^<]*)<\/a>/iU', '$2', $content);
		$data = array('news_id' => $aid, "content" => $content);
		$status = mod_news :: update_newscontent($data);
		return $status;
	}

贪婪匹配（Greedy）是最大匹配，例如对于html字符串：

nowamagic.net is a <b>good</b> website to <b>learn</b> IT <b>skills</c>.

通过正则<b>.*</b> 默认匹配的结果为：

<b>good</b> website to <b>learn</b> 

但许多情况下我们想要的其实是<b>good</b> 和 <b>learn</b> 两个匹配

解决的办法，就是上面说到的非贪婪匹配，即惰性匹配，它的语法如下表所示：

贪婪匹配 惰性匹配 匹配描述
? ?? 匹配 0 个或 1 个
+ +? 匹配 1 个或多个
* *? 匹配 0 个或多个
{n} {n}? 匹配 n 个
{n,m} {n,m}? 匹配 n 个或 m 个
{n,} {n,}? 匹配 n 个或多个

上述例子使用非贪婪匹配<b>.*?</b> 得到的结果为两个匹配，这次符合我们的需要了。


PHP正则表达式模式修正符:


i 正则内容在匹配时候不区分大小写（默认是区分的）
m 在匹配首内容或者尾内容时候采用多行识别匹配
S 将转义回车取消是为单行匹配如. 匹配的时候
x 忽略正则中的空白
A 强制从头开始匹配
D 强制$匹配尾部无任何内容 \n
U 禁止贪婪匹配 只跟踪到最近的一个匹配符并结束，常用在采集程序上的正则表达式

这里是一个正则匹配的在线匹配测试工具：http://tool.oschina.net/regex

替换文章的关键词标签可以使用mysql导出后加工再导入数据库，也可以使用存储过程实现。这个的存储过程简单写一下：

delimiter //
create procedure replaceAllTag()
begin
declare i INT;
while i <=20 do
select replace(tag,",i,",",COSTi,") FROM `TBL_CMS_NEWS_bak` WHERE `col_id_related`=661 and tag like "%,i,%";
set i=i+1;
end while;
end //
delimiter ;

在PhpMyAdmin中，drop procedure replaceAllTag 需要单独执行，否则会报错。存储过程的语法请参照以下实例：

delimiter //
CREATE PROCEDURE `dadada` ()  
BEGIN  
 DECLARE x  INT;  
 DECLARE str  VARCHAR(255);  
 SET x = 1;  
 SET str =  '';  
 WHILE x  <= 5 DO  
     SET  str = CONCAT(str,x,',');  
     SET  x = x + 1;  
 END WHILE;  
 SELECT str;  
END //
delimiter ;

后来发现有些图片没有抓过来，而产品已经上线，重新抓取数据已是不现实的事情了。于是和同事协商后干脆把图片所在块一起去掉。攻略文章不再展示“卡牌数值”的图片表格。实现方法是采用MySQL的一些不太常用的函数。 

SELECT replace(content,SUBSTRING(content FROM POSITION("卡牌数值" IN content) FOR POSITION("-->" IN content)),"</span></h3></div>")
 as x from CONTENT_TABLE c
where c.news_id in (select news_id from NEWS_TABLE where col_id = 66)

update  CONTENT_TABLE c
set c.content = replace(c.content,SUBSTRING(c.content FROM POSITION("卡牌数值" IN c.content) FOR POSITION("-->" IN c.content)),"</span></h3></div>")
where c.news_id in (select news_id from NEWS_TABLE where col_id = 66)



鉴于抓来的html结构比较乱比较复杂，也只能这样了。尽管效率一般，不过相关的文章不过几百篇，还可以接受的解决方法。关于其中涉及的SQL函数这里再重温学习一下：

一、MySQL中LOCATE和别名函数POSITION等

函数LOCATE(substr,str)  作用同POSITION(substr IN str)和INSTR(str,substr)

作用：返回子串 substr 在字符串 str 中第一次出现的位置。如果子串 substr 在 str 中不存在，返回值为 0；LOCATE还有一种形式，包含三个参数：LOCATE(substr,str,pos) ，其返回子串 substr 在字符串 str 中的第 pos 位置后第一次出现的位置。INSTR(str,substr)和LOCATE()的双参数形式相同，只是参数顺序不一样而已。

mysql> SELECT LOCATE('bar', 'foobarbar');
-> 4
mysql> SELECT INSTR('foobarbar', 'bar');
-> 4
mysql> SELECT LOCATE('xbar', 'foobar');
-> 0
mysql> SELECT INSTR('xbar', 'foobar');
-> 0
mysql> SELECT LOCATE('bar', 'foobarbar', 7);
-> 7

这个函数是多字节安全的。在 MySQL 3.23 中，这个函数是字母大小写敏感的，当在 MySQL 4.0 中时，如有任一参数是一个二进制字符串，它才是字母大小写敏感的。

以下语句可以实现同样的查询功能：

SELECT `column` FROM `table` where `condition` like `%keyword%’

SELECT `column` from `table` where locate(‘keyword’, `condition`)>0

SELECT `column` from `table` where position(‘keyword’ IN `condition`)

SELECT `column` from `table` where instr(`condition`, ‘keyword’ )>0

速度上后三个比使用 like 稍快了一点点。

二、MySQL的REPLACE用法

用法一：函数REPLACE(str,from_str,to_str)
在字符串 str 中所有出现的字符串 from_str 均被 to_str替换，然后返回这个字符串：
mysql> select REPLACE('www.8783.com/a/detail_list/', 'a', 'list');
-> www.8783.com/list/detlistil_list/

例：把表table中的name字段中的 '斗三国'替换为“全民斗三国”
mysql> update table set name=replace(name,'斗三国','全民斗三国')

这个函数也是多字节安全的。

用法二：REPLACE INTO

在向表中插入数据的时候，经常遇到这样的情况：1. 首先判断数据是否存在； 2. 如果不存在，则插入；3.如果存在，则更新。包括我在内的程序猿们常见的做法有三种：

第一种：MySQL很常见的一种做法，许多新手、甚至许多资深的高级coder也有这么写的，会在代码中封装三个函数，一个函数查询记录是否存在，一个函数实现直接插入，另一个函数对已有记录进行更新。在不同的情况进行调用。这种方法多次excute执行数据操作，势必造成比较大的开销。

第二种：用一条SQL代替三种情况的封装，来实现按需操作，或插入新记录，或更新旧数据。SQL Server中的语句如下：
   IF NOT EXISTS(select 1 from NEWS_bak where news_id = 1008)
      insert into NEWS_bak(title, keyword, description) values('孙权', '三国','孙权-吴国老大')
   else
      update NEWS_bak set title = '孙权'and keyword='三国' and description='孙权-吴国老大' where news_id = 1008

说明：对于IF NOT EXISTS的相同表达，MySQL一般用作条件WHERE NOT EXISTS();由于exists(SELECT NULL )也会返回true，故select exists(SELECT NULL )的结果为1。

但是在MySQL 中如何实现此逻辑呢？方法有，且语法更简洁——replace into 。

MySQL replace into 有三种形式：

1. replace into tbl_name(col_name, ...) values(...)
2. replace into tbl_name(col_name, ...) select ...
3. replace into tbl_name set col_name=value, ...

前两种形式使用频度比较高。其中 “into” 关键字可以省略，不过最好加上 “into”，这样意思更加直观。所有列的值均取自在REPLACE语句中被指定的值。所有缺失的列被设置为各自的默认值，这和INSERT一样。您不能从当前行中引用值，也不能在新行中使用值。如果您使用一个例如“SET col_name = col_name + 1”的赋值，则对位于右侧的列名称的引用会被作为DEFAULT(col_name)处理。因此，该赋值相当于SET col_name = DEFAULT(col_name) + 1。

举例：

replace into tableName (id,index) values('1','index-A'),('2','index-B')
此语句用于向表tableName中插入两条记录。 replace into 跟 insert 功能类似，不同点在于：replace into 首先尝试插入数据到表中，如果发现表中已经有此行数据（根据主键或者唯一索引判断）则先删除此行数据，然后插入新的数据; 否则，直接插入新的数据。


为了能够使用REPLACE，您必须同时拥有表的INSERT和DELETE权限。

REPLACE语句会返回一个数，来指示受影响的行的数目。该数是被删除和被插入的行数的和。如果对于一个单行REPLACE该数为1，则一行被插入，同时没有行被删除。如果该数大于1，则在新行被插入前，有一个或多个旧行被删除。如果表包含多个唯一索引，并且新行复制了在不同的唯一索引中的不同旧行的值，则有可能是一个单一行替换了多个旧行。

PHP可以使用mysql_affected_rows()函数获得受影响的行数。受影响的行数可以容易地确定是否REPLACE只添加了一行，或者是否REPLACE也替换了其它行：只需检查该数是否为1（添加）或更大（替换）。

必须注意：插入数据的表必须有主键PRIMARY KEY或者是唯一索引UNIQUE！否则，使用一个REPLACE语句没有意义。该语句会与INSERT相同，因为没有索引被用于确定是否新行复制了其它的行。这时，replace into 会直接插入数据，这将导致表中出现重复的数据。


三、MySQL SUBSTRING 函数的使用

SUBSTRING (  expression  ,  start  ,  length  )
参数：
expression 是字符串、二进制字符串、text、image、列或包含列的表达式。不要使用包含聚合函数的表达式。  
start是一个整数，指定子串的开始位置。若为负数，则从字符串末尾倒数。
length是一个整数，可选，指定子串的长度（要返回的字符数或字节数）。

函数共有4种格式：

SUBSTRING(str,pos) ,
SUBSTRING(str FROM pos) ,
SUBSTRING(str,pos,len) ,
SUBSTRING(str FROM pos FOR len)

不带有len 参数的格式从字符串str返回一个子字符串，起始于位置 pos。带有len参数的格式从字符串str返回一个长度同len字符相同的子字符串，起始于位置 pos。 使用 FROM的格式为标准 SQL 语法。也可能对pos使用一个负值。假若这样，则子字符串的位置起始于字符串结尾的pos 字符，而不是字符串的开头位置。在以下格式的函数中可以对pos 使用一个负值。

说明

由于在 text  数据上使用 SUBSTRING 时 start  和 length  指定字节数，因此 DBCS 数据（如日本汉字）可能导致在结果的开始或结束位置拆分字符。此行为与 READTEXT 处理 DBCS 的方式一致。然而，由于偶而会出现奇怪的结果，建议对 DBCS 字符使用 ntext  而非 text 。   

返回类型

如果 expression  是支持的字符数据类型，则返回字符数据。如果expression  是支持的 binary  数据类型，则返回二进制数据。一般实际使用中text  数据多以 varchar  的形式返回，image  数据则以 varbinary  的形式返回。

返回字符串的类型与给定表达式的类型相同（表中显示的除外）。


给定的表达式 返回类型
text varchar
image varbinary
ntext nvarchar

注释

在字符数中必须指定使用 ntext 、char  或 varchar  数据类型的偏移量（start  和 length ）。在字节数中必须指定使用 text 、image 、binary  或 varbinary  数据类型的偏移量。     

说明   兼容级别可能影响返回值。有关兼容级别的更多信息，请参见 sp_dbcmptlevel 。   


其他字符串截取函数有：
1、left（str, length） 从左开始截取字符串
例如：SELECT LEFT(title,1) AS abstract  FROM `NEWS_bak`

2、right（str, length） 从右开始截取字符串

3、substring_index（str,delim,count） 按关键字截取字符串
说明：substring_index（被截取字段，关键字，关键字出现的次数）
例：select substring_index（"www.8783.com"，"."，2） as domain from news_table的查询结果是：www.8783
（注：如果关键字出现的次数是负数 如-2 则是从后倒数，到字符串结束）

 


标签：

相关文章