如何在PieCloudDB中统计2月推文hashtag并排除标点干扰？

核心思路是清洗hashtag，去除末尾的标点符号，再进行统计。PieCloudDB兼容PostgreSQL语法，可通过正则表达式实现清洗，具体SQL如下：

WITH cleaned_hashtags AS (
    SELECT
        -- 提取并清洗hashtag：保留#开头，去除末尾的标点（.、!等非字母数字下划线字符）
        regexp_replace(
            unnest(regexp_matches(content, '#[A-Za-z0-9_]+[^\s]*', 'g')),
            '#([A-Za-z0-9_]+)[^\w]*$',
            '#\1',
            'g'
        ) AS hashtag
    FROM tweets
    -- 过滤2月的推文，假设created_at是日期时间类型
    WHERE EXTRACT(MONTH FROM created_at) = 2
)
SELECT
    hashtag,
    COUNT(*) AS occurrence_count
FROM cleaned_hashtags
GROUP BY hashtag
-- 按次数降序，名称升序排序
ORDER BY occurrence_count DESC, hashtag ASC;

关键部分说明 #

• 提取hashtag：用regexp_matches(content, '#[A-Za-z0-9_]+[^\s]*', 'g')匹配所有以#开头、直到空白字符结束的内容，覆盖带末尾标点的情况。
• 清洗标点：regexp_replace将末尾的非字母数字下划线字符（比如.、!）去掉，只保留#后面的有效标签内容。
• 拆分多标签：unnest将单条推文里的多个hashtag拆成独立行，方便统计。

如果你的hashtag允许其他特殊字符（比如连字符），可以调整正则里的[A-Za-z0-9_]部分，比如改成[A-Za-z0-9_-]来包含连字符。

内容的提问来源于stack exchange，提问作者Joe