Oracle Database 10g 內幕
使用正規表達式編寫更好的 SQL
作者：Alice Rischert
Oracle Database 10g 中的正規表達式特性是一個用于處理文本數據的強大工具
Oracle Database 10g 的一個新特性大大提高了您搜索和處理字符數據的能力。這個特性就是正規表達式，是一種用來描述文本模式的表示方法。很久以來它已在許多編程語言和大量 UNIX 實用工具中出現過了。
Oracle 的正規表達式的實施是以各種 SQL 函數和一個 WHERE 子句操作符的形式出現的。如果您不熟悉正規表達式，那么這篇文章可以讓您了解一下這種新的極其強大然而表面上有點神秘的功能。已經對正規表達式很熟悉的讀者可以了解如何在 Oracle SQL 語言的環境中應用這種功能。
什么是正規表達式？
正規表達式由一個或多個字符型文字和/或元字符組成。在最簡單的格式下，正規表達式僅由字符文字組成，如正規表達式 cat。它被讀作字母 c，接著是字母 a 和 t，這種模式匹配 cat、location 和 catalog 之類的字符串。元字符提供算法來確定 Oracle 如何處理組成一個正規表達式的字符。當您了解了各種元字符的含義時，您將體會到正規表達式用于查找和替換特定的文本數據是非常強大的。
驗證數據、識別重復關鍵字的出現、檢測不必要的空格，或分析字符串只是正規表達式的許多應用中的一部分。您可以用它們來驗證電話號碼、郵政編碼、電子郵件地址、社會安全號碼、IP 地址、文件名和路徑名等的格式。此外，您可以查找如 HTML 標記、數字、日期之類的模式，或任意文本數據中符合任意模式的任何事物，并用其它的模式來替換它們。
用 Oracle Database 10g 使用正規表達式
您可以使用最新引進的 Oracle SQL REGEXP_LIKE 操作符和 REGEXP_INSTR、REGEXP_SUBSTR 以及 REGEXP_REPLACE 函數來發揮正規表達式的作用。您將體會到這個新的功能如何對 LIKE 操作符和 INSTR、SUBSTR 和 REPLACE 函數進行了補充。實際上，它們類似于已有的操作符，但現在增加了強大的模式匹配功能。被搜索的數據可以是簡單的字符串或是存儲在數據庫字符列中的大量文本。正規表達式讓您能夠以一種您以前從未想過的方式來搜索、替換和驗證數據，并提供高度的靈活性。
正規表達式的基本例子
在使用這個新功能之前，您需要了解一些元字符的含義。句號 (.) 匹配一個正規表達式中的任意字符（除了換行符）。例如，正規表達式 a.b 匹配的字符串中首先包含字母 a，接著是其它任意單個字符（除了換行符），再接著是字母 b。字符串 axb、xaybx 和 abba 都與之匹配，因為在字符串中隱藏了這種模式。如果您想要精確地匹配以 a 開頭和以 b 結尾的一條三個字母的字符串，則您必須對正規表達式進行定位。脫字符號 (^) 元字符指示一行的開始，而美元符號 ($) 指示一行的結尾（參見表 1）。因此， 正規表達式 ^a.b$ 匹配字符串 aab、abb 或 axb。將這種方式與 LIKE 操作符提供的類似的模式匹配 a_b 相比較，其中 (_) 是單字符通配符。
默認情況下，一個正規表達式中的一個單獨的字符或字符列表只匹配一次。為了指示在一個正規表達式中多次出現的一個字符，您可以使靡桓雋看剩脖懷莆馗床僮鞣?如果您想要得到從字母 a 開始并以字母 b 結束的匹配模式，則您的正規表達式看起來像這樣：^a.*b$。* 元字符重復前面的元字符 (.) 指示的匹配零次、一次或更多次。LIKE 操作符的等價的模式是 a%b，其中用百分號 (%) 來指示任意字符出現零次、一次或多次。
表 2 給出了重復操作符的完整列表。注意它包含了特殊的重復選項，它們實現了比現有的 LIKE 通配符更大的靈活性。如果您用圓括號括住一個表達式，這將有效地創建一個可以重復一定次數的子表達式。例如，正規表達式 b(an)*a 匹配 ba、bana、banana、yourbananasplit 等。
Oracle 的正規表達式實施支持 POSIX （可移植操作系統接口）字符類，參見表 3 中列出的內容。這意味著您要查找的字符類型可以非常特別。假設您要編寫一條僅查找非字母字符的 LIKE 條件 — 作為結果的 WHERE 子句可能不經意就會變得非常復雜。
POSIX 字符類必須包含在一個由方括號 ([]) 指示的字符列表中。例如，正規表達式 [[:lower:]] 匹配一個小寫字母字符，而 [[:lower:]]{5} 匹配五個連續的小寫字母字符。
除 POSIX 字符類之外，您可以將單獨的字符放在一個字符列表中。例如，正規表達式 ^ab[cd]ef$ 匹配字符串 abcef 和 abdef。必須選擇 c 或 d。
除脫字符 (^) 和連字符 (-) 之外，字符列表中的大多數元字符被認為是文字。正規表達式看起來很復雜，這是因為一些元字符具有隨上下文環境而定的多重含義。^ 就是這樣一種元字符。如果您用它作為一個字符列表的第一個字符，它代表一個字符列表的非。因此，[^[:digit:]] 查找包含了任意非數字字符的模式，而 ^[[:digit:]] 查找以數字開始的匹配模式。連字符 (-) 指示一個范圍，正規表達式 [a-m] 匹配字母 a 到字母 m 之間的任意字母。但如果它是一個字符行中的第一個字符（如在 [-afg] 中），則它就代表連字符。
之前的一個例子介紹了使用圓括號來創建一個子表達式；它們允許您通過輸入更替元字符來輸入可更替的選項，這些元字符由豎線 (|) 分開。
例如，正規表達式 t(a|e|i)n 允許字母 t 和 n 之間的三種可能的字符更替。匹配模式包括如 tan、ten、tin 和 Pakistan 之類的字，但不包括 teen、mountain 或 tune。作為另一種選擇，正規表達式 t(a|e|i)n 也可以表示為一個字符列表 t[aei]n。表 4 匯總了這些元字符。雖然存在更多的元字符，但這個簡明的概述足夠用來理解這篇文章使用的正規表達式。
REGEXP_LIKE 操作符
REGEXP_LIKE 操作符向您介紹在 Oracle 數據庫中使用時的正規表達式功能。表 5 列出了 REGEXP_LIKE 的語法。
下面的 SQL 查詢的 WHERE 子句顯示了 REGEXP_LIKE 操作符，它在 ZIP 列中搜索滿足正規表達式 [^[:digit:]] 的模式。它將檢索 ZIPCODE 表中的那些 ZIP 列值包含了任意非數字字符的行。
SELECT zip FROM zipcode WHERE REGEXP_LIKE(zip, '[^[:digit:]]')
ZIP
-----
ab123
123xy
007ab
abcxy
這個正規表達式的例子僅由元字符組成，更具體來講是被冒號和方括號分隔的 POSIX 字符類 digit。第二組方括號（如 [^[:digit:]] 中所示）包括了一個字符類列表。如前文所述，需要這樣做是因為您只可以將 POSIX 字符類用于構建一個字符列表。
REGEXP_INSTR 函數
這個函數返回一個模式的起始位置，因此它的功能非常類似于 INSTR 函數。新的 REGEXP_INSTR 函數的語法在表 6 中給出。這兩個函數之間的主要區別是，REGEXP_INSTR 讓您指定一種模式，而不是一個特定的搜索字符串；因而它提供了更多的功能。接下來的示例使用 REGEXP_INSTR 來返回字符串 Joe Smith, 10045 Berry Lane, San Joseph, CA 91234 中的五位郵政編碼模式的起始位置。如果正規表達式被寫為 [[:digit:]]{5}，則您將得到門牌號的起始位置而不是郵政編碼的，因為 10045 是第一次出現五個連續數字。因此，您必須將表達式定位到該行的末尾，正如 $ 元字符所示，該函數將顯示郵政編碼的起始位置，而不管門牌號的數字個數。
SELECT REGEXP_INSTR('Joe Smith, 10045 Berry Lane, San Joseph, CA 91234',
'[[:digit:]]{5}$') AS rx_instr FROM dual
RX_INSTR
----------
45
編寫更復雜的模式
讓我們在前一個例子的郵政編碼模式上展開，以便包含一個可選的四位數字模式。您的模式現在可能看起來像這樣：[[:digit:]]{5}(-[[:digit:]]{4})?$。如果您的源字符串以 5 位郵政編碼或 5 位 + 4 位郵政編碼的格式結束，則您將能夠顯示該模式的起始位置。
SELECT REGEXP_INSTR('Joe Smith, 10045 Berry Lane, San Joseph, CA 91234-1234',
' [[:digit:]]{5}(-[[:digit:]]{4})?$') AS starts_at FROM dual
STARTS_AT
----------
44
在這個示例中，括弧里的子表達式 (-[[:digit:]]{4}) 將按 ? 重復操作符的指示重復零次或一次。此外，企圖用傳統的 SQL 函數來實現相同的結果甚至對 SQL 專家也是一個挑戰。為了更好地說明這個正規表達式示例的不同組成部分，表 7 包含了一個對單個文字和元字符的描述。
REGEXP_SUBSTR 函數
類似于 SUBSTR 函數的 REGEXP_SUBSTR 函數用來提取一個字符串的一部分。表 8 顯示了這個新函數的語法。在下面的示例中，匹配模式 [^,]* 的字符串將被返回。該正規表達式搜索其后緊跟著空格的一個逗號；然后按 [^,]* 的指示搜索零個或更多個不是逗號的字符，最后查找另一個逗號。這種模式看起來有點像一個用逗號分隔的值字符串。
SELECT REGEXP_SUBSTR('first field, second field , third field', ', [^,]*,') FROM dual
REGEXP_SUBSTR('FIR
------------------
, second field ,
REGEXP_REPLACE 函數
讓我們首先看一下傳統的 REPLACE SQL 函數，它把一個字符串用另一個字符串來替換。假設您的數據在正文中有不必要的空格，您希望用單個空格來替換它們。利用 REPLACE 函數，您需要準確地列出您要替換多少個空格。然而，多余空格的數目在正文的各處可能不是相同的。下面的示例在 Joe 和 Smith 之間有三個空格。REPLACE 函數的參數指定要用一個空格來替換兩個空格。在這種情況下，結果在原來的字符串的 Joe 和 Smith 之間留下了一個額外的空格。
SELECT REPLACE('Joe Smith',' ', ' ') AS replace FROM dual
REPLACE
---------
Joe Smith
REGEXP_REPLACE 函數把替換功能向前推進了一步，其語法在表 9 中列出。以下查詢用單個空格替換了任意兩個或更多的空格。( ) 子表達式包含了單個空格，它可以按 {2,} 的指示重復兩次或更多次。
SELECT REGEXP_REPLACE('Joe Smith', '( ){2,}', ' ') AS RX_REPLACE FROM dual
RX_REPLACE
----------
Joe Smith
后向引用
正則表達式的一個有用的特性是能夠存儲子表達式供以后重用；這也被稱為后向引用（在表 10 中對其進行了概述）。它允許復雜的替換功能，如在新的位置上交換模式或顯示重復出現的單詞或字母。子表達式的匹配部分保存在臨時緩沖區中。緩沖區從左至右進行編號，并利用 \digit 符號進行訪問，其中 digit 是 1 到 9 之間的一個數字，它匹配第 digit 個子表達式，子表達式用一組圓括號來顯示。
接下來的例子顯示了通過按編號引用各個子表達式將姓名 Ellen Hildi Smith 轉變為 Smith, Ellen Hildi。
SELECT REGEXP_REPLACE(
'Ellen Hildi Smith',
'(.*) (.*) (.*)', '\3, \1 \2')
FROM dual
REGEXP_REPLACE('EL
------------------
Smith, Ellen Hildi
該 SQL 語句顯示了用圓括號括住的三個單獨的子表達式。每一個單獨的子表達式包含一個匹配元字符 (.)，并緊跟著 * 元字符，表示任何字符（除換行符之外）都必須匹配零次或更多次。空格將各個子表達式分開，空格也必須匹配。圓括號創建獲取值的子表達式，并且可以用 \digit 來引用。第一個子表達式被賦值為 \1 ，第二個 \2，以此類推。這些后向引用被用在這個函數的最后一個參數 (\3, \1 \2) 中，這個函數有效地返回了替換子字符串，并按期望的格式來排列它們（包括逗號和空格）。表 11 詳細說明了該正則表達式的各個組成部分。
后向引用對替換、格式化和代替值非常有用，并且您可以用它們來查找相鄰出現的值。接下來的例子顯示了使用 REGEP_SUBSTR 函數來查找任意被空格隔開的重復出現的字母數字值。顯示的結果給出了識別重復出現的單詞 is 的子字符串。
SELECT REGEXP_SUBSTR(
'The final test is is the implementation',
'([[:alnum:]]+)([[:space:]]+)\1') AS substr
FROM dual
SUBSTR
------
is is
匹配參數選項
您可能已經注意到了正則表達式操作符和函數包含一個可選的匹配參數。這個參數控制是否區分大小寫、換行符的匹配和保留多行輸入。
正則表達式的實際應用
您不僅可以在隊列中使用正則表達式，還可以在使用 SQL 操作符或函數的任何地方（比如說在 PL/SQL 語言中）使用正則表達式。您可以編寫利用正則表達式功能的觸發器，以驗證、生成或提取值。
接下來的例子演示了您如何能夠在一次列檢查約束條件中應用 REGEXP_LIKE 操作符來進行數據驗證。它在插入或更新時檢驗正確的社會保險號碼格式。如 123-45-6789 和 123456789 之類格式的社會保險號碼對于這種列約束條件是可接受的值。有效的數據必須以三個數字開始，緊跟著一個連字符，再加兩個數字和一個連字符，最后又是四個數字。另一種表達式只允許 9 個連續的數字。豎線符號 (|) 將各個選項分開。
ALTER TABLE students
ADD CONSTRAINT stud_ssn_ck CHECK
(REGEXP_LIKE(ssn,
'^([[:digit:]]{3}-[[:digit:]]{2}-[[:digit:]]{4}|[[:digit:]]{9})$'))
由 ^ 和 $ 指示的開頭或結尾的字符都是不可接受的。確保您的正則表達式沒有分成多行或包含任何不必要的空格，除非您希望格式如此并相應地進行匹配。表 12 說明了該正則表達式示例的各個組成部分。
將正則表達式與現有的功能進行比較
正則表達式有幾個優點優于常見的 LIKE 操作符和 INSTR、SUBSTR 及 REPLACE 函數的。這些傳統的 SQL 函數不便于進行模式匹配。只有 LIKE 操作符通過使用 % 和 _ 字符匹配，但 LIKE 不支持表達式的重復、復雜的更替、字符范圍、字符列表和 POSIX 字符類等等。此外，新的正則表達式函數允許檢測重復出現的單詞和模式交換。這里的例子為您提供了正則表達式領域的一個概覽，以及您如何能夠在您的應用程序中使用它們。
實實在在地豐富您的工具包
因為正則表達式有助于解決復雜的問題，所以它們是非常強大的。正則表達式的一些功能難于用傳統的 SQL 函數來仿效。當您了解了這種稍顯神秘的語言的基礎構建程序塊時，正則表達式將成為您的工具包的不可缺少的一部分（不僅在 SQL 環境下也在其它的編程語言環境下）。為了使您的各個模式正確，雖然嘗試和錯誤有時是必須的，但正則表達式的簡潔和強大是不容置疑的。
Alice Rischert (ar280@yahoo.com) 是哥倫比亞大學計算機技術與應用系的數據庫應用程序開發和設計方向的主席。她編寫了 Oracle SQL 交互手冊 第 2 版（Prentice Hall，2002）和即將推出的 Oracle SQL 示例 （Prentice Hall，2003）。Rischert 擁有超過 15 年的經驗在財富 100 強公司內擔任數據庫設計師、DBA 和項目主管，并且她自從 Oracle version 5 起就一直使用 Oracle 產品。
表 1：定位元字符
| 元字符 |
說明 |
| ^ |
使表達式定位至一行的開頭 |
| $ |
使表達式定位至一行的末尾 |
表 2：量詞或重復操作符
| 量詞 |
說明 |
| * |
匹配 0 次或更多次 |
| ? |
匹配 0 次或 1 次 |
| + |
匹配 1 次或更多次 |
| {m} |
正好匹配 m 次 |
| {m,} |
至少匹配 m 次 |
| {m, n} |
至少匹配 m 次但不超過 n 次 |
表 3：預定義的 POSIX 字符類
| 字符類 |
說明 |
| [:alpha:] |
字母字符 |
| [:lower:] |
小寫字母字符 |
| [:upper:] |
大寫字母字符 |
| [:digit:] |
數字 |
| [:alnum:] |
字母數字字符 |
| [:space:] |
空白字符（禁止打印），如回車符、換行符、豎直制表符和換頁符 |
| [:punct:] |
標點字符 |
| [:cntrl:] |
控制字符（禁止打印） |
| [:print:] |
可打印字符 |
表 4：表達式的替換匹配和分組
| 元字符 |
說明 |
| | |
替換 |
分隔替換選項，通常與分組操作符 () 一起使用 |
| ( ) |
分組 |
將子表達式分組為一個替換單元、量詞單元或后向引用單元（參見“后向引用”部分） |
| [char] |
字符列表 |
表示一個字符列表；一個字符列表中的大多數元字符（除字符類、^ 和 - 元字符之外）被理解為文字 |
表 5：REGEXP_LIKE 操作符
| 語法 |
說明 |
REGEXP_LIKE(source_string, pattern
[, match_parameter]) |
source_string 支持字符數據類型（CHAR、VARCHAR2、CLOB、NCHAR、NVARCHAR2 和 NCLOB，但不包括 LONG）。pattern 參數是正則表達式的另一個名稱。match_parameter 允許可選的參數（如處理換行符、保留多行格式化以及提供對區分大小寫的控制）。 |
表 6：REGEXP_INSTR 函數
| 語法 |
說明 |
REGEXP_INSTR(source_string, pattern
[, start_position
[, occurrence
[, return_option
[, match_parameter]]]]) |
該函數查找 pattern ，并返回該模式的第一個位置。您可以隨意指定您想要開始搜索的 start_position。 occurrence 參數默認為 1，除非您指定您要查找接下來出現的一個模式。return_option 的默認值為 0，它返回該模式的起始位置；值為 1 則返回符合匹配條件的下一個字符的起始位置。 |
表 7： 5 位數字加 4 位郵政編碼表達式的說明
| 語法 |
說明 |
|
必須匹配的空白 |
| [:digit:] |
POSIX 數字類 |
| ] |
字符列表的結尾 |
| {5} |
字符列表正好重復出現 5 次 |
| ( |
子表達式的開頭 |
| - |
一個文字連字符，因為它不是一個字符列表內的范圍元字符 |
| [ |
字符列表的開頭 |
| [:digit:] |
POSIX [:digit:]類 |
| [ |
字符列表的開頭 |
| ] |
字符列表的結尾 |
| {4} |
字符列表正好重復出現 4 次 |
| ) |
結束圓括號，結束子表達式 |
| ? |
? 量詞匹配分組的子表達式 0 或 1 次，從而使得 4 位代碼可選 |
| $ |
定位元字符，指示行尾 |
表 8：REGEXP_SUBSTR 函數
| 語法 |
說明 |
REGEXP_SUBSTR(source_string, pattern
[, position [, occurrence
[, match_parameter]]]) |
REGEXP_SUBSTR 函數返回匹配模式的子字符串。 |
表 9： REGEXP_REPLACE 函數
| 語法 |
說明 |
REGEXP_REPLACE(source_string, pattern
[, replace_string [, position
[,occurrence, [match_parameter]]]]) |
該函數用一個指定的 replace_string 來替換匹配的模式，從而允許復雜的“搜索并替換”操作。 |
表 10：后向引用元字符
| 元字符 |
說明 |
| \digit |
反斜線 |
緊跟著一個 1 到 9 之間的數字，反斜線匹配之前的用括號括起來的第 digit 個子表達式。
（注意：反斜線在正則表達式中有另一種意義，取決于上下文，它還可能表示 Escape 字符。 |
表 11：模式交換正則表達式的說明
| 正則表達式項目 |
說明 |
| ( |
第一個子表達式的開頭 |
| . |
匹配除換行符之外的任意單字符 |
| * |
重復操作符，匹配之前的 . 元字符 0 到 n 次 |
| ) |
第一個子表達式的結尾；匹配結果在 \1
中獲取（在這個例子中，結果為 Ellen。） |
|
必須存在的空白 |
| ( |
第二個子表達式的開頭 |
| . |
匹配除換行符之外的任意單個字符 |
| * |
重復操作符，匹配之前的 . 元字符 0 到 n 次 |
| ) |
第二個子表達式的結尾；匹配結果在 \2
中獲取（在這個例子中，結果為 Hildi。） |
|
空白 |
| ( |
第三個子表達式的開頭 |
| . |
匹配除換行符之外的任意單字符 |
| * |
重復操作符，匹配之前的 . 元字符 0 到 n 次 |
| ) |
第三個子表達式的結尾；匹配結果在 \3
中獲取（在這個例子中，結果為 Smith。） |
表 12：社會保險號碼正則表達式的說明
| 正則表達式項目 |
說明 |
| ^ |
行首字符（正則表達式在匹配之前不能有任何前導字符。） |
| ( |
開始子表達式并列出用 | 元字符分開的可替換選項 |
| [ |
字符列表的開頭 |
| [:digit:] |
POSIX 數字類 |
| ] |
字符列表的結尾 |
| {3} |
字符列表正好重復出現 3 次 |
| - |
連字符 |
| [ |
字符列表的開頭 |
| [:digit:] |
POSIX 數字類 |
| ] |
字符列表的結尾 |
| {2} |
字符列表正好重復出現 2 次 |
| - |
另一個連字符 |
| [ |
字符列表的開頭 |
| [:digit:] |
POSIX 數字類 |
| ] |
字符列表的結尾 |
| {4} |
字符列表正好重復出現 4 次 |
| | |
替換元字符；結束第一個選項并開始下一個替換表達式 |
| [ |
字符列表的開頭 |
| [:digit:] |
POSIX 數字類 |
| ] |
字符列表的結尾 |
| {9} |
字符列表正好重復出現 9 次 |
| ) |
結束圓括號，結束用于替換的子表達式組 |
| $ |
定位元字符，指示行尾；沒有額外的字符能夠符合模式 |