Question

我正在使用Big Query的Hacker News数据集，并正在研究哪些URL具有最多的新闻故事。我也想删除域名，然后看看其中哪些新闻报道最多。我正在R中工作，但在使以下查询正常工作时遇到了一些麻烦。

# Select the ten domains that have the most stories
sql_domain <- "SELECT url REPLACE(CASE WHEN REGEXP_CONTAINS(url, '//') 
                        THEN url ELSE CONCAT('http://', url) END, '&', '?') as domain_name,
                      COUNT(domain_name) as story_number
                FROM `bigquery-public-data.hacker_news.full`
                WHERE type = 'story'
                GROUP BY domain_name
                ORDER BY story_number DESC
                LIMIT 10"

我不需要剥离顶级域名；例如，不需要stackoverflow，就可以使用stackoverflow.com。非常感谢您的帮助！

Answer 1

问题出在查询中-您应按以下方式使用（适用于BigQuery Standard SQL）

SELECT 
  NET.REG_DOMAIN(url) AS domain_name,
  COUNT(NET.REG_DOMAIN(url)) AS story_number
FROM `bigquery-public-data.hacker_news.full`
WHERE type = 'story'
GROUP BY 1
ORDER BY story_number DESC
LIMIT 10

这将为您提供以下

Row domain_name     story_number     
1   github.com      81784    
2   medium.com      71953    
3   youtube.com     58119    
4   blogspot.com    52925    
5   nytimes.com     48986    
6   techcrunch.com  43924    
7   google.com      26326    
8   wordpress.com   23372    
9   arstechnica.com 23162    
10  wired.com       18480

使用SQL

1 个答案: