Memgraph中substring函数处理Unicode字符异常问题求助

问题原因 #

Memgraph内置的substring函数按字节而非Unicode字符（码点）计数截取。像ø这类非ASCII的Unicode字符，在UTF-8编码中占用2个字节：当截取长度刚好落在多字节字符的中间位置时，就会出现乱码（�）；同时，单个Unicode字符可能占多个字节，导致截取的"长度参数"和实际得到的字符数量不匹配，出现计数偏差。

解决方案 #

1. 使用unicode_substring内置函数（推荐）

Memgraph 2.4及以上版本提供了unicode_substring函数，它按Unicode字符（码点）计数，专门解决多字节字符的截取问题。

示例用法：

-- 截取前1个字符
MATCH (n:Node) RETURN unicode_substring(n.city, 0, 1);
-- 结果："K"

-- 截取前2个字符
MATCH (n:Node) RETURN unicode_substring(n.city, 0, 2);
-- 结果："Kø"

-- 截取前3个字符
MATCH (n:Node) RETURN unicode_substring(n.city, 0, 3);
-- 结果："Køb"

2. 低版本兼容方案（无unicode_substring时）

如果你的Memgraph版本低于2.4，无法使用unicode_substring，可以通过Cypher逻辑手动实现按字符截取（效率略低于内置函数）：

MATCH (n:Node)
WITH n.city AS str
// 遍历每个字节位置，过滤出有效字符的起始位置
WITH str, [i IN range(0, length(str)-1) WHERE (ord(substring(str, i, 1)) >> 6) != 0x02] AS char_starts
// 取前N个字符的起始位置，拼接成结果（此处2代表要截取的字符数）
WITH str, char_starts[0..2] AS target_starts
RETURN reduce(res = '', idx IN target_starts | res + substring(str, idx, CASE 
    WHEN ord(substring(str, idx, 1)) >> 4 = 0xE THEN 3 
    WHEN ord(substring(str, idx, 1)) >> 5 = 0x6 THEN 2 
    ELSE 1 
END)) AS substr;

版本确认 #

先运行以下命令确认你的Memgraph版本：

CALL memgraph.version();

如果版本低于2.4，建议升级到最新稳定版以获得更好的Unicode支持。

内容的提问来源于stack exchange，提问作者GrandMel