Buscamos que coincida con un punto, seguido de cualquier cantidad de caracteres no alfabéticos, y 1 minúscula:
\.[^A-Za-z]*[a-z]
Al pasarlo como string en una consulta, el intérprete de MySQL interpreta las barras, por lo que se deben escapar:
select campo
from tabla
where campo regexp '\\.[^A-Za-z]*[a-z]'
- Y si estamos en un lenguaje como Java, que no tiene literales de string, hay que escaparlas de nuevo:
\\\\.
!!!
Intercalación cuando está en utf8_general_ci
El campo podría estar usando un collate
(intercalación) que ignora mayúsculas y minúsculas, haciendo que el anterior no funcione. Podría estar definido para el campo, la tabla, la base de datos o la conexión. Si el campo está usando un collate como utf8_general_ci
, latin1_general_ci
, o similar, cualquier comparación de texto ignora mayúsculas/minúsculas (ci
es "case insensitive").
Para solucionarlo, lo mejor sería cambiar el collate
de la tabla (o de la base o del campo), o generar un nuevo campo_busqueda
que esté con collate 'latin1_general_cs'
o collate 'utf8_bin'
, entre otros. Sin embargo, si sólo queremos aplicarlo a esta consulta, lo aplicamos así:
where campo collate 'latin1_general_cs' regexp '\\.[^A-Za-z]*[a-z]'
, o
where campo collate 'utf8_bin' regexp '\\.[^A-Za-z]*[a-z]'
Con tags HTML en el medio
Creo que la opción más sana es eliminar los tags antes de aplicar el regex. Ver por ejemplo en Remove HTML tags from record.
Con regex también es fácil, sólo se hace una expresión más larga.
where campo regexp '\\.[^<A-Za-z]*(<[^>]*>[^<A-Za-z]*)*[a-z]'
[^<A-Za-z]*
coincide con todo lo que esté antes de un <
o un caracter alfabético.
(<[^>]*>[^<A-Za-z]*)*
es un loop, que coincide con:
<[^>]*>
un tag HTML (sin validar cosas raras)
[^<A-Za-z]*
más caracteres que no sean un <
o un caracter alfabético.
[a-z]
finalmente la letra minúscula.
Para mostrar ese "loop" de una forma gráfica:
Ahora bien, ese punto seguido de una minúscula podría estar dentro de un tag HTML, por ejemplo en <a href="x.html">
. Para evitar eso, seguimos complicando, buscamos que coincida desde el inicio del texto, consumiendo todos los tags y todo el texto que no sea un tag, hasta encontrar que coincida con el patron de recién:
select *
from tabla
where campo collate 'utf8_bin'
regexp '^[^<]*(<[^>]*>[^<]*)*\\.[^<A-Za-z]*(<[^>]*>[^<A-Za-z]*)*[a-z]'
^
anclado al inicio del texto.
[^<]*(<[^>]*>[^<]*)*
consumir caracteres que no son tags, o tags completos seguidos de caracteres que no son tags (misma lógica que en el anterior).
\\.[^<A-Za-z]*(<[^>]*>[^<A-Za-z]*)*[a-z]
el patrón para el punto seguido de minúsculas.
Demo: http://sqlfiddle.com/#!9/a6d64/1/0
Con acentos o ñ
Veamos el caso para coincidir con fin. éste
y no con . Árbol
.
Para latin1_general_cs
es sencillo, usamos las clases POSIX [:alpha:]
, [:lower:]
y [:upper:]
:
where campo regexp '\\.[^[:alpha:]]*[[:lower:]]'
Aplicado en el regex que ignora tags HTML:
where campo collate 'latin1_general_cs'
regexp '^[^<]*(<[^>]*>[^<]*)*\\.[^<[:alpha:]]*(<[^>]*>[^<[:alpha:]]*)*[[:lower:]]'
Demo: http://sqlfiddle.com/#!9/44604/1/0
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 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)
.
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):
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
Sí
palabra.palabra
2
Sí
palabra. palabra
3
Sí
palabra. !signo cualquiera
4
Sí
palabra.1número
5
Sí
palabra. 1número
6
Sí
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
Sí
<span><b><i>palabra</i>.</b></span> etiqueta inline
15
No
<div>palabra.</div> etiqueta de bloque
16
Sí
palabra. un punto
17
No
palabra.. dos puntos
18
No
palabra... tres puntos
19
No
palabra.... cuatro puntos
20
Sí
palabra!!!!!!.--}{???? signos
21
Sí
palabra123.4567890123456números
22
Sí
palabra. espacios
23
Sí
palabra<tag>.<tag> May. min
24
No
+++aaaaaàbâaaaa---
palabra.<br />siguiente
y casos como<b>palabra.</b> siguiente
.