Skip to main content
se añadieron 5299 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105


Excepciones para puntos suspensivos y etiquetas de bloques

La idea es que ahora siga coincidiendo con los casos anteriores, pero que no coincida con palabra... siguiente ni con párrafo.<br> siguiente. Y acá es donde el regex se complica en la lógica. MySQL tiene un motor de regex extremadamente limitado. En otro dialecto de regex sería más o menos razonable, pero a MySQL le faltan muchas construcciones que podrían facilitar esto. Entonces, en este punto es cuando, si se quiere seguir con el mismo regex, se hace ilegible e imposible de mantener para un ojo no entrenado. Es el punto donde recomiendo ir a un lenguaje de programación.

Pero entiendo las ventajas de resolverlo sobre la base de datos, así que va una solución que probablemente sólo le sirva al autor de la pregunta. En una descripción muy burda, las limitaciones de regex en MySQL nos obligan a buscar coincidencias de esta forma:


Regex:

^[^<]*(((<[^>]*>[^<])*<[^>]*>)+[^<]*[^.<](<[^>]*>)*|[^.<])\.([^.<A-ZÁÜÑa-záüñ][^<A-ZÁÜÑa-záüñ]*)?(</?\s*(a|i|b|span)[[:>:]][^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)
  • Podrás ver que para la parte de tags inline (aquellos que no cortan el párrafo si se encuentran entre el punto y la minúscula), estoy usando

    </?\s*(a|i|b|span)[[:>:]][^>]*>
    

    para que coincida con <a>, <i>, <b>, <span>. Ahí, se pueden agregar las que quieras.


Veamos si con esto puedo explicar un poco el regex (abrir en nueva pestaña):

Debuggex con anotaciones


Código:

select campo
  from tabla
 where campo collate 'utf8_bin'
             regexp '^[^<]*(((<[^>]*>[^<])*<[^>]*>)+[^<]*[^.<](<[^>]*>)*|[^.<])\\.([^.<A-ZÁÜÑa-záüñ][^<A-ZÁÜÑa-záüñ]*)?(</?\\s*(a|i|b|span)[[:>:]][^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)'
;

Demo:

http://rextester.com/MQK73039

Resultado:

Id re campo
1 palabra.palabra
2 palabra. palabra
3 palabra. !signo cualquiera
4 palabra.1número
5 palabra. 1número
6 Äbá. a
7 No palabra... Siguiente oración
8 No palabra... siguiente oración
9 No palabra. <br />etiqueta de bloque
10 No palabra. <span /><span />Hay etiquetas HTML en el texto
11 No <a href="x.html"> âBÂJo. <br />e
12 No sin a-b-a.... 1rrr
13 No <a href="x.html"> ABBBA.... 1Aeee
14 <span><b><i>palabra</i>.</b></span> etiqueta inline
15 No <div>palabra.</div> etiqueta de bloque
16 palabra. un punto
17 No palabra.. dos puntos
18 No palabra... tres puntos
19 No palabra.... cuatro puntos
20 palabra!!!!!!.--}{???? signos
21 palabra123.4567890123456números
22 palabra. espacios
23 palabra<tag>.<tag> May. min
24 No +++aaaaaàbâaaaa---



Excepciones para puntos suspensivos y etiquetas de bloques

La idea es que ahora siga coincidiendo con los casos anteriores, pero que no coincida con palabra... siguiente ni con párrafo.<br> siguiente. Y acá es donde el regex se complica en la lógica. MySQL tiene un motor de regex extremadamente limitado. En otro dialecto de regex sería más o menos razonable, pero a MySQL le faltan muchas construcciones que podrían facilitar esto. Entonces, en este punto es cuando, si se quiere seguir con el mismo regex, se hace ilegible e imposible de mantener para un ojo no entrenado. Es el punto donde recomiendo ir a un lenguaje de programación.

Pero entiendo las ventajas de resolverlo sobre la base de datos, así que va una solución que probablemente sólo le sirva al autor de la pregunta. En una descripción muy burda, las limitaciones de regex en MySQL nos obligan a buscar coincidencias de esta forma:


Regex:

^[^<]*(((<[^>]*>[^<])*<[^>]*>)+[^<]*[^.<](<[^>]*>)*|[^.<])\.([^.<A-ZÁÜÑa-záüñ][^<A-ZÁÜÑa-záüñ]*)?(</?\s*(a|i|b|span)[[:>:]][^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)
  • Podrás ver que para la parte de tags inline (aquellos que no cortan el párrafo si se encuentran entre el punto y la minúscula), estoy usando

    </?\s*(a|i|b|span)[[:>:]][^>]*>
    

    para que coincida con <a>, <i>, <b>, <span>. Ahí, se pueden agregar las que quieras.


Veamos si con esto puedo explicar un poco el regex (abrir en nueva pestaña):

Debuggex con anotaciones


Código:

select campo
  from tabla
 where campo collate 'utf8_bin'
             regexp '^[^<]*(((<[^>]*>[^<])*<[^>]*>)+[^<]*[^.<](<[^>]*>)*|[^.<])\\.([^.<A-ZÁÜÑa-záüñ][^<A-ZÁÜÑa-záüñ]*)?(</?\\s*(a|i|b|span)[[:>:]][^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)'
;

Demo:

http://rextester.com/MQK73039

Resultado:

Id re campo
1 palabra.palabra
2 palabra. palabra
3 palabra. !signo cualquiera
4 palabra.1número
5 palabra. 1número
6 Äbá. a
7 No palabra... Siguiente oración
8 No palabra... siguiente oración
9 No palabra. <br />etiqueta de bloque
10 No palabra. <span /><span />Hay etiquetas HTML en el texto
11 No <a href="x.html"> âBÂJo. <br />e
12 No sin a-b-a.... 1rrr
13 No <a href="x.html"> ABBBA.... 1Aeee
14 <span><b><i>palabra</i>.</b></span> etiqueta inline
15 No <div>palabra.</div> etiqueta de bloque
16 palabra. un punto
17 No palabra.. dos puntos
18 No palabra... tres puntos
19 No palabra.... cuatro puntos
20 palabra!!!!!!.--}{???? signos
21 palabra123.4567890123456números
22 palabra. espacios
23 palabra<tag>.<tag> May. min
24 No +++aaaaaàbâaaaa---

se añadieron 197 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Para mostrar ese "loop" de una forma [gráfica][2]:

Visualización de debuggex.com


  • Para utf8_bin se complica en serio, porque el operador regexp toma cada caracter como 1 byte, por lo tanto no podemos usar algo como [a-záéíóúüñ]. No tengo una solución completa a este problema. Sin embargo, se puede usar:

      where campo regexp '\\.[^A-ZÁÜÑa-záüñ]*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    que coincide con acentos, y funciona bien para la mayoría de los casos, pero podría dar falsos negativos con algunos diacríticos entre el punto y la minúscula.

    Y el regex completo:

       where campo collate 'utf8_bin'
       regexp '^[^<]*(<[^>]*>[^<]*)*\\.[^<A-ZÁÜÑa-záüñ]*(<[^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    Demo: http://sqlfiddle.com/#!9/de46ba/1/0


    Para un caso completamente funcional, creo que la mejor opción es usar una librería como [LIB_MYSQLUDF_PREG][2][LIB_MYSQLUDF_PREG][4] que usa a PCRE (el mismo motor y la misma sintaxis que en PHP). Y en la consulta SQL llamarlo con `PREG_RLIKE('/regex/i', texto)`.
  • Para utf8_bin se complica en serio, porque el operador regexp toma cada caracter como 1 byte, por lo tanto no podemos usar algo como [a-záéíóúüñ]. No tengo una solución completa a este problema. Sin embargo, se puede usar:

      where campo regexp '\\.[^A-ZÁÜÑa-záüñ]*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    que coincide con acentos, y funciona bien para la mayoría de los casos, pero podría dar falsos negativos con algunos diacríticos entre el punto y la minúscula.

    Y el regex completo:

       where campo collate 'utf8_bin'
       regexp '^[^<]*(<[^>]*>[^<]*)*\\.[^<A-ZÁÜÑa-záüñ]*(<[^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    Demo: http://sqlfiddle.com/#!9/de46ba/1/0


    Para un caso completamente funcional, creo que la mejor opción es usar una librería como [LIB_MYSQLUDF_PREG][2] que usa a PCRE (el mismo motor y la misma sintaxis que en PHP). Y en la consulta SQL llamarlo con `PREG_RLIKE('/regex/i', texto)`.
Para mostrar ese "loop" de una forma [gráfica][2]:

Visualización de debuggex.com


  • Para utf8_bin se complica en serio, porque el operador regexp toma cada caracter como 1 byte, por lo tanto no podemos usar algo como [a-záéíóúüñ]. No tengo una solución completa a este problema. Sin embargo, se puede usar:

      where campo regexp '\\.[^A-ZÁÜÑa-záüñ]*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    que coincide con acentos, y funciona bien para la mayoría de los casos, pero podría dar falsos negativos con algunos diacríticos entre el punto y la minúscula.

    Y el regex completo:

       where campo collate 'utf8_bin'
       regexp '^[^<]*(<[^>]*>[^<]*)*\\.[^<A-ZÁÜÑa-záüñ]*(<[^>]*>[^<A-ZÁÜÑa-záüñ]*)*([a-z]|á|é|í|ó|ú|ü|ñ)'
    

    Demo: http://sqlfiddle.com/#!9/de46ba/1/0


    Para un caso completamente funcional, creo que la mejor opción es usar una librería como [LIB_MYSQLUDF_PREG][4] que usa a PCRE (el mismo motor y la misma sintaxis que en PHP). Y en la consulta SQL llamarlo con `PREG_RLIKE('/regex/i', texto)`.
se añadieron 73 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105

Con acentos o ñ

Veamos el caso para coincidir con fin. éste y no con . Árbol.

Con acentos

Con acentos o ñ

Veamos el caso para coincidir con fin. éste y no con . Árbol.

se añadieron 306 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading
se añadieron 367 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading
se añadieron 367 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading
se eliminaron 6 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading
se añadieron 35 caracteres en el cuerpo
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading
Origen Enlace
Mariano
  • 24.5k
  • 20
  • 76
  • 105
Loading