Postgres中字符串的字频率？

Question

是否可以从包含Postgres中的文本字符串的字段中为每个字标识不同的单词和计数？

Answer 1

像这样的东西？

 
SELECT some_pk, 
     regexp_split_to_table(some_column, '\s') as word 
FROM some_table 

获取区别词随后容易：

 
SELECT DISTINCT word 
FROM ( 
    SELECT regexp_split_to_table(some_column, '\s') as word 
    FROM some_table 
) t 

或获取的计对每个字：

 
SELECT word, count(*) 
FROM ( 
    SELECT regexp_split_to_table(some_column, '\s') as word 
    FROM some_table 
) t 
GROUP BY word 

Answer 2

应该用一个空格“”或之间的其它划符号被分割话;而不是's'，除非有意这样做，例如将'myWordshere'视为'myWord'和'here'。

SELECT word, count(*) 
FROM ( 
    SELECT regexp_split_to_table(some_column, ' ') as word 
    FROM some_table 
) t 
GROUP BY word 

Answer 3

你也可以使用PostgreSQL的文本搜索功能，这，例如：

SELECT * FROM ts_stat('SELECT to_tsvector(''hello dere hello hello ridiculous'')'); 

将产生：

word | ndoc | nentry 
---------+------+-------- 
ridicul | 1 |  1 
hello | 1 |  3 
dere | 1 |  1 
(3 rows) 

（PostgreSQL的应用与语言相关的词干和停停单词删除，这可能是你想要的，或者可能不是。可以通过使用simple而不是english字典来禁用停用词移除和词干化， ee值以下。）

嵌套SELECT语句可以是产生一个tsvector字段任何select语句，所以你可以替换适用的to_tsvector功能到任意数量的文本字段的功能，并将它们连接成一个单一的tsvector，过您的文档中的任意子集，例如：

SELECT * FROM ts_stat('SELECT to_tsvector(''english'',title) || to_tsvector(''english'',body) from my_documents id < 500') ORDER BY nentry DESC; 

会产生从第一500个文件的title和body领域采取了总字数的矩阵，通过降出现的次数进行排序。对于每个单词，您还将获得它出现的文档数（ndoc列）。

请参阅文档以获取更多详细信息：http://www.postgresql.org/docs/current/static/textsearch.html