浅析REGEXP_SUBSTR,PRIOR,CONNECT BY

业务场景

teacher表中的tech_class字段存储的是每个老师所教授的课程，课程之间以英文逗号分隔。现在要用语句统计每个课程对应的教师数量。语句及效果如下：

语句其实很简单，各种博客或者gpt都有不错且可行的解决方案，我们主要来理解下这段语句的执行原理，更好的学习。

part1 REGEXP_SUBSTR

关于REGEXP_SUBSTR的官方文档

具体语法这里不再赘叙，我们从单个例子入手看看效果：

REGEXP_SUBSTR可以将字段字符串根据所给正则表达式匹配并拆分（注意不是分割，但效果上等同于分割）。

最后一个参数代表要取出第几个匹配的结果：

那为什么这里要使用LEVEL？LEVEL是什么？

关于LEVEL的官方解释 具体如图：

使用之前要注意，官方文档里有句话：

To define a hierarchical relationship in a query, you must use the CONNECT BY clause.

所以关于connect by，你可以先往后看。

使用LEVEL后的效果：

LEVEL是一个在CONNECT BY子句中使用的伪列，它代表当前递归层次的级别。在每次递归调用中，LEVEL的值会增加1。在这个例子中，LEVEL的值会从1开始，一直到tech_class中逗号分隔的子串的数量——3。

为什么这样会有81条？我们的预期结果其实是3条。让我们继续探究......

Football是字段里的第一个值，只有1条；Basketball是字段里的第二个值，有10条；PingPang是字段里的第三个值，有70条！貌似越往后数据重复越多，而且次数增长的可怕，但很难发现出有什么规律。检索后基本确定出现重复数据是因为在递归过程中，regexp_substr函数没有正确移动到下一个匹配项，而是重复移动到了Basketball或者PingPang，至于它底层是什么重复移动的，额我也没搞明白....。

对此我们需要添加prior确保每次递归时都能正确提取。

part3 prior

关于prior的简单介绍

connect by中加prior可以限定父子的对应关系，限定递归路径。这里对同条记录进行递归：

加sys_guid()是为了保证层次查询，存在循环时，不出现无限递归。它为每行生成一个唯一标识，从而避免无限循环。

Part3 connect by

CONNECT BY的官方文档--分级查询

connect by常常结合prior一起实现父级查询。因此connect by LEVEL prior一般都一起出现。

附

最后再次附上针对原始的业务需求的完整的语句及输出：

select
regexp_substr(tech_class, '[^,]+', 1, LEVEL) as class_name,
tech_name
from teacher
CONNECT BY LEVEL <= REGEXP_COUNT(tech_class, '[^,]+')
and prior tech_class = tech_class
and prior sys_guid() is not null
order by class_name