Question

所以我试图合并两个公司信息数据库（表A和表B从这里开始），其中最常见（和可靠）的单一参考点是网站URL。表A是最新的，表B将更新。

我从表A中提取了URL并使用PHP（大约6000个URL）对其进行了清理，计划是根据找到的URL（但不是URL本身）查找和更新表B中的一些信息。

在表A中，网址均为domain.com或www.domain.com或www.subdomain.domain.com，不含http：//或任何尾随/或其他网址数据。在表B中，它们是原始URL，可能包含任何额外信息，例如http：// etc。

现在我尝试通过表B中的URL搜索公司，如下所示：

SELECT * FROM companies WHERE website LIKE '%$url1%' OR website LIKE '%$url2%'...

虽然这有效，但它也会提取不正确的信息。例如，我在表A的列表中没有bt.com（或任何变体），但它在表B中是匹配的（表A中有www.corporate.bt.com我认为它匹配）。

那么，我怎么能阻止这种情况发生呢？它清楚地在URL列表中找到了类似的东西，但我只想匹配确切的字符串。因此，在上面的示例中，如果我正在搜索www.corporate.bt.com，那么只有在字符串中找到它时才返回它（http://www.corporate.bt.com/很好，http://bt.com/不是）

此外，使用如此大的数据集执行此操作的最佳方法是什么？表A有大约6,000个URL，表B有14,000个（表A中并非所有表A都在表B中）。

Answer 1

LIKE不会返回精确搜索但您可以使用MySql REGEXP进行精确搜索，它会在搜索字段中找到确切的结果并仅返回精确的网址

SELECT * FROM companies WHERE website REGEXP '[[:<:]]$url1[[:>:]]' OR 
                              website REGEXP '[[:<:]]$url2[[:>:]]'

或者，如果归档只有单个网址，则可以使用=运算符

SELECT * FROM companies WHERE website = '$url1' OR website = '$url2'

<强>更新在此，您可以花费REGEX serarch并仅输入SERVER_NAME，例如domain.com，domain1.com，abc.domain.com，请参阅下面的查询

$url = "doamin.com";
$url1 = "domain1.com";
SELECT * FROM companies WHERE 
    website REGEXP '^(htt(p|ps):\/\/|htt(p|ps):\/\/www\.)($url)$' OR 
    website REGEXP '^(htt(p|ps):\/\/|htt(p|ps):\/\/www\.)($url1)$'

Answer 2

事实证明，我没有在表A中的地址列表中过滤得足够好，并且看起来“http”的网址已经滑过 - 这意味着每个包含“http”的网址都是被发现......

所以我添加了另一个检查是否存在的过滤器。在URL中，确保它至少为something.something

if (strpos($domain, ".") !== false) {
    // It has a .±
}

MySQL精确的URL搜索

2 个答案: