我有一个使用 UTF-8 字符集的 MySQL 表，其中有一个名为 WORDS 的长文本类型列。此列中的值由用户输入，长度为几千个字符。
该表中有两种类型的行：
在某些行中，WORDS 值是由说英语的人组成的，并且仅包含普通英语写作中使用的字符。 （并非所有内容都必须是 ASCII，例如欧元符号 http://www.fileformat.info/info/unicode/char/20ac/index.htm在某些情况下可能会出现。）
其他行具有由亚洲语言（韩语、中文、日语以及可能的其他语言）使用者编写的 WORDS 值，其中包括英语单词和使用其本地语标字符（而不是例如日语罗马字）的亚洲语言单词的混合）。
如何编写一个查询来返回所有类型 2 的行而不返回类型 1 的行？或者，如果这很难，有没有办法查询most这样的行（这里如果我错过了一些类型 2 的行，或者包含一些类型 1 的误报，也没关系）？
更新：下面的评论建议我最好完全避免使用 MySQL 查询引擎，因为它对 unicode 的正则表达式支持听起来不太好。如果这是真的，我可以将数据提取到文件中（使用mysql -B -e "some SQL here" > extract.txt），然后在文件上使用 perl 或类似的命令。使用这种方法的答案是可以的（但不如本地 MySQL 的好！）
理论上你可以这样做：
- 找到您要测试的 unicode 范围。
- 手动将开头和结尾编码为 UTF-8。
- 使用每个编码的开始和结束的第一个字节作为 REGEXP 的范围。
我相信 CJK 的范围与欧元符号之类的东西相距足够远，因此误报和误报很少或根本没有。
Edit:我们现在已经将理论付诸实践了！
Step 1:选择字符范围。我建议\u3000-\u9fff；易于测试，并且应该会给我们带来近乎完美的结果。
Step 2:编码成字节。（维基百科 utf-8 页面） http://en.wikipedia.org/wiki/UTF-8
对于我们选择的范围，utf-8 编码值将始终为 3 个字节，第一个字节是 1110xxxx，其中 xxxx 是 unicode 值的最高有效四位。
因此，我们想要处理 11100011 到 11101001 或 0xe3 到 0xe9 范围内的字节。
Step 3:使用非常方便的（我刚刚发现的）UNHEX 函数来制作我们的正则表达式。
SELECT * FROM `mydata`
WHERE `words` REGEXP CONCAT('[',UNHEX('e3'),'-',UNHEX('e9'),']')
刚刚尝试了一下。奇迹般有效。 :)
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
