Question

假设我有下表：

CREATE TABLE test (
    head NVARCHAR(100),
    body NTEXT
)

在此表中，我想查找body列包含HTML标记的所有行。任何HTML标签，但解决方案不应该错过任何东西。换句话说，更多的误报比更多的假阴性更好。

有人能帮我提出可行的解决方案吗？如果这是代码，我会使用HTML解析器或正则表达式代替它。但是，我没有开箱即用的SQL Server中的正则表达式功能（理想情况下，这将与2005年开始兼容，但与2008年以后的兼容性也可以。）

非常感谢任何帮助。

此外，以上是NTEXT。如果上表BODY列的类型为NVARCHAR(MAX)，您的答案是否会改变？

谢谢！

Answer 1

我同意对该问题的评论，即使用简单的LIKE '%<%'就足够了。 SQL Server使用PATINDEX函数进行类似regex的处理。 This answer有一些示例，以及the MSDN link about it。

PATINDEX返回一个索引，0表示有效索引（只是要注意）

Answer 2

select...where Body like '%<%' and Body like '%>%'

Answer 3

由于我对没有那么多误报感兴趣，所以我更进一步。根据{{3}}，您以'＆lt;'开头，但在此之后，您只能为标记名称添加字母数字。由于我们没有任何方式可以说“一个或多个”，我们必须在“＆lt;”之后解决第一个或第二个字符，但这至少可以帮助结果的质量。

所以这里是'＆lt;'之后的一个字符，确保下一个字符是字母数字（有趣的是，我在规范中找不到任何禁止以数字开头的字符）：

like '%<[A-Za-z0-9]%'

如果你想深入看两个字符，第二个字符也可以是'/'，'＆gt;'或空格。特殊字符会导致问题，因此您必须声明一个变量，以便让它们发生：

declare @html_pattern varchar(50)
set @html_pattern = '%<[A-Za-z0-9][A-Za-z0-9/> ' + 
    char(9) + char(10) + char(11) + char(13) + ']%'

like @html_pattern

稍微不同但相关的想法，你可能也应该寻找HTML评论：

like '%<!--'

说了这么多，我承认我从来没有真正看到一个html标签以数字开头，所以我实际上是在使用：

declare @html_pattern varchar(50)
set @html_pattern = '%<[A-Za-z][A-Za-z0-9/> ' + 
    char(9) + char(10) + char(11) + char(13) + ']%'

我不能在这里正式推荐它，没有人跳过我。另外，为了记录，更简单

like '%<[A-Za-z]%'

同样适用于我的数据集（诚然，这并不是那么大，唯一的误报是＆gt; [0-9]）。我想你甚至可以逃脱：

like '%<[a-z]%'

因为几乎没有人用大写字母写标签名称（注意我说“几乎”），特别是如果你的数据确实有大写字母的误报，但我宁愿不抓住这个机会。

作为旁注，XML将具有不同的模式。

就我没有正则表达式而言，这就是我想要的。

查找包含HTML标记的Sql Server表中的所有行

3 个答案: