Jak zjistit čínský znak v MySQL?

SELECT COUNT(*)
    FROM tbl
    WHERE HEX(col) REGEXP '^(..)*(E[2-9F]|F0A)'

bude počítat počet záznamů s čínskými znaky ve sloupci col .

Problémy:

• Nejsem si jistý, jaké rozsahy hex představují čínštinu.
• Test může zahrnují korejštinu a japonštinu. ("CJK")
• V MySQL 4bajtové čínské znaky potřebují utf8mb4 místo utf8 .

Vypracování

Předpokládám, že sloupec v tabulce je CHARACTER SET utf8 . V kódování utf8 začínají čínské znaky bajtem mezi hex E2 a E9 nebo EF nebo F0. Ty začínající hex E budou mít délku 3 bajty, ale nekontroluji délku; ty F0 budou mít 4 bajty.

Regulární výraz začíná ^(..)* , což znamená "od začátku řetězce (^ ), vyhledejte 0 nebo více (* ) 2 znaky (.. ) hodnoty. Poté by mělo být buď E -něco nebo F0A . Poté se může stát cokoliv. E-něco je konkrétněji E následuje kterékoli z 2,3,4,5,6,7,8,9 nebo F.

Náhodně vybráno, vidím, že 草 zakóduje jako 3 hex bajty E88D89 a 𠜎 zakóduje jako 4 hexadecimální bajty F0A09C8E .

Neznám lepší způsob, jak zkontrolovat řetězec pro konkrétní jazyk.

Jak jste zjistili, REGEXP může být poměrně pomalý.

Tento regulární výraz může být přehnaný, protože mohou být zachyceny některé nečínské znaky.