MySQL计数列中出现的子字符串数

使用MySQL，我试图计算每一行的子字符串在列中出现的次数

在下面的示例表中，字符串“art”在“术语”列中出现三次，因此其计数为3

示例表：

TERMS
art
artistic
painting
elephant
art deco
paint
paintings

期望输出：

TERMS      COUNT
art        3
artistic   1
painting   2
elephant   1
art deco   1
paint      2
paintings  1

编辑：

作为起点，我知道：

SELECT terms, COUNT(*)
FROM table
GROUP BY terms

将输出每个完整术语字符串的出现次数。对于子字符串匹配，我认为这可能涉及子查询

尝试了以下操作，但每次计数均为1

SELECT terms, ROUND((CHAR_LENGTH(terms) - CHAR_LENGTH(REPLACE(terms, terms, ""))) / CHAR_LENGTH(terms)) AS count
FROM table
GROUP BY terms

---

我首先编写一个查询，返回我们想要返回的术语列表。例如：

 SELECT t.terms
   FROM `table` t
  GROUP BY t.terms

然后将其包装在parens中，并将其用作内联视图

SELECT w.terms
  FROM ( SELECT t.terms
           FROM `table` t
          GROUP BY t.terms
       ) w
 ORDER BY w.terms

这样，我们就可以执行联接操作来查找匹配的行，并获得一个计数。假设保证

术语

不包含下划线（

\uu

）或百分比（

%

）字符，我们可以使用类似于的

比较

考虑到列表中的每个术语都将至少出现一次，我们可以使用内部联接。在更一般的情况下，我们可能希望返回零计数，我们将使用外部联接

SELECT w.terms
     , COUNT(1) AS `COUNT`
  FROM ( SELECT t.terms
           FROM `table` t
          GROUP BY t.terms
       ) w
  JOIN `table` c
    ON c.terms LIKE CONCAT('%', w.terms ,'%')
 GROUP BY w.terms
 ORDER BY w.terms

在与

类似的比较中，百分号是与任何字符（零、一个或多个）匹配的通配符

如果

术语

可能包含下划线或百分比字符，我们可以对它们进行转义，这样它们就不会被类似的比较视为通配符。这样的表达式应该可以实现以下目的：

 REPLACE(REPLACE( w.terms ,'_','\_'),'%','\%')

所以我们会有这样一个查询：

SELECT w.terms
     , COUNT(1) AS `COUNT`
  FROM ( SELECT t.terms
           FROM `table` t
          GROUP BY t.terms
       ) w
  JOIN `table` c
    ON c.terms LIKE CONCAT('%',REPLACE(REPLACE( w.terms ,'_','\_'),'%','\%'),'%')
 GROUP BY w.terms
 ORDER BY w.terms

---

还有其他将返回指定结果的查询模式。这只是一种方法的演示

---

注意：在问题中的示例中，每个

术语

都是另一个

术语

的子字符串，子字符串匹配出现在术语的开头。此查询还将查找术语不在开头的匹配项

e、 g.

dartboard

将被视为与

art

可以修改查询以匹配仅出现在其他

术语

开头的

术语

跟进

对于示例数据，返回：

terms      COUNT     matched_terms
---------  --------  -------------------------
art               3  art,art deco,artistic
art deco          1  art deco
artistic          1  artistic
elephant          1  elephant
paint             3  paint,painting,paintings
painting          2  painting,paintings
paintings         1  paintings

除了
COUNT（1）
aggregate之外，我还在select列表中包含了另一个表达式。这不是必需的，但它确实提供了一些关于哪些术语被认为是匹配项的附加信息

 GROUP_CONCAT(DISTINCT c.terms ORDER BY c.terms) AS `matched_terms`

注意：如果
terms
可能包含反斜杠字符，我们也可以使用另一个替换来转义这些字符

 REPLACE(REPLACE(REPLACE( w.terms ,'\\','\\\\'),'_','\_'),'%','\%')
                 ^^^^^^^^         ^^^^^^^^^^^^^

请与我们分享您的试用。您的替换功能可自行替换每行的术语；请看我答案中的建议1和建议2。非常好的答案！但是你不需要一个w.term

的

分组吗？同样在
ORDER BY
之前？@MichaelK:是的。我们确实需要一个小组。啊！（答案经过编辑以包含更正。）难以置信的答案！非常感谢。这不仅实现了我的目标，而且在研究你的答案时我学到了很多。我在一个有26k行的表上运行了它，查询用了175s才完成。@OBreaux1:LIKE与百分比通配符的比较要求检查
表中的每一行，检查每个
术语
条目。如果表中的行较长（表中的列较多），则索引。。。在
表（术语）
上，如果完全通过索引满足查询，则可能会提高性能。@OBreaux1:此查询返回包含
术语的行数；如果存在匹配项，则计数将递增1。例如，“dartmart”将匹配“art”，但计数将增加1。不是两个，即使“艺术”出现了两次。