如何在 UPDATE 语句中使用 regexp_matches()？

Question

我正在尝试清理一个表，该表有一个非常混乱的 varchar 列，其中包含以下条目：

<u><font color="#0000FF"><a href="http://virginialidar.com/index-3.html#.VgLbFPm6e73" target="_blank">VA Lidar</a></font></u> OR <u><font color="#0000FF"><a href="https://inport.nmfs.noaa.gov/inport/item/50122" target="_blank">InPort Metadata</a></font></u>

我想通过仅保留 html 链接来更新列，如果有多个链接，则用昏迷将它们分开。理想情况下，我会做这样的事情：

UPDATE mytable
SET column = array_to_string(regexp_matches(column,'(?<=href=").+?(?=\")','g') , ',');

但不幸的是，这会在 Postgres 10 中返回一个错误：

ERROR: set-returning functions are not allowed in UPDATE

我假设regexp_matches()是所说的设置返回功能。关于如何实现这一目标的任何想法？

Answer 1

笔记

1.
您不需要将相关子查询建立在基表的单独实例上（就像到目前为止建议的两个答案）。那会白白做更多的工作。

2.
对于简单的情况，ARRAY 构造函数比array_agg(). 看：

• 为什么 array_agg() 比非聚合 ARRAY() 构造函数慢？

3.
我使用没有前瞻和后视约束和括号的正则表达式：href="([^"]+)

请参阅查询 1。

这是有效的，因为括号内的子表达式被regexp_matches()（和其他几个 Postgres regexp 函数）捕获。所以我们可以用普通的括号替换更复杂的约束。手册regexp_match()：

如果找到匹配项，并且 不pattern包含带括号的子表达式，则结果是包含与整个模式匹配的子字符串的单元素文本数组。如果找到匹配项，并且*pattern*包含带括号的子表达式，则结果是一个文本数组，其n'th 元素是n与模式的'th 带括号的子表达式匹配的子字符串

而对于regexp_matches()：

如果没有匹配，则此函数不返回行，如果有匹配并且没有给出 g 标志，则返回一行，或者N如果有 N 个匹配并且给出 g 标志，则返回行。每个返回的行是一个文本数组，包含整个匹配的子字符串或匹配模式的括号子表达式的子字符串，正如上面对regexp_match.

4.
regexp_matches()返回一组数组 ( setof text[]) 的原因是：正则表达式不仅可以在单个字符串中多次匹配（因此是set），它还可以为每个匹配生成多个字符串，并带有多个捕获括号（因此是数组）。此正则表达式不会发生，结果中的每个数组都包含一个元素。但是以后的读者千万不要掉入陷阱：

当将生成的一维数组提供给生成二维数组的array_agg()（或 ARRAY 构造函数）时 - 这甚至是可能的，因为 Postgres 9.5 添加了array_agg()接受数组输入的变体。看：

• PostgreSQL 中是否有类似 zip() 函数的东西，它结合了两个数组？

但是，引用手册：

输入必须具有相同的维度，并且不能为空或 NULL

我认为这永远不会失败，因为相同的正则表达式总是产生相同数量的数组元素。我们的总是产生一种元素。但这可能与其他正则表达式不同。如果是这样，有多种选择：

1. 只取第一个元素(regexp_matches(...))[1]。请参阅查询 2。

2. 取消嵌套数组并string_agg()在基本元素上使用。请参阅查询 3。

每种方法也适用于此。

查询 1

UPDATE tbl t
SET    col = (
   SELECT array_to_string(ARRAY(SELECT regexp_matches(col, 'href="([^"]+)', 'g')), ',')
   );

没有匹配项的列被设置为''（空字符串）。

查询 2

UPDATE tbl
SET    col = (
   SELECT string_agg(t.arr[1], ',')
   FROM   regexp_matches(col, 'href="([^"]+)', 'g') t(arr)
   );

没有匹配项的列设置为NULL.

查询 3

UPDATE tbl
SET    col = (
   SELECT string_agg(elem, ',')
   FROM   regexp_matches(col, 'href="([^"]+)', 'g') t(arr)
        , unnest(t.arr) elem
   );

没有匹配项的列设置为NULL.

db<> fiddle here（带有扩展的测试用例）