如何在SQL中将列内存储的完整句子拆分为单个字符？

逐字符拆分实现 #

已知字段存储最长字符长度为198，用连续数字序列匹配逐位截取的方案兼容性最高，适配所有主流关系型数据库，不需要依赖特殊函数：

• 先生成1~200的连续数字序列（留2位冗余覆盖最长长度，避免边界溢出）
• 按数字对应的位置，逐位截取字符串对应位置的单个字符
• 可根据需求选择输出逐行单字符结果（用于后续比对），或聚合为空格分隔的单字符字符串（直接匹配示例输出效果）

代码示例（MySQL 8.0+/PostgreSQL 通用） #

-- 递归生成连续数字序列，上限200
WITH RECURSIVE num_seq AS (
    SELECT 1 AS pos
    UNION ALL
    SELECT pos + 1 FROM num_seq WHERE pos < 200
),
-- 逐字符拆分原字段
split_result AS (
    SELECT
        original_id, -- 替换为原表主键，用于区分不同行的句子
        pos, -- 字符在原句子中的位置序号
        SUBSTRING(your_content_column, pos, 1) AS single_char
    FROM your_original_table
    JOIN num_seq ON pos <= CHAR_LENGTH(your_content_column)
)
-- 如果需要逐行单字符结果，直接查询split_result即可
-- 如果需要输出空格分隔的单字符串，用聚合函数拼接，以下为MySQL写法，PG替换为STRING_AGG(single_char, ' ')即可
SELECT GROUP_CONCAT(single_char SEPARATOR ' ') AS split_space_separated
FROM split_result
GROUP BY original_id;

针对不支持递归CTE的旧版本（如MySQL 5.x），可以提前创建一张存储1~200整数的静态辅助表，直接JOIN该表即可，性能优于递归写法。

非拉丁字符比对实现 #

拆分完成后直接通过Unicode范围正则匹配即可判断字符类型，不需要额外维护比对字典：

• 基础拉丁字符（半角大小写字母、半角标点、半角空格）的Unicode编码范围为U+0000~U+007F
• 不在上述范围内的字符即为非拉丁字符，比如示例中的全角括号（、）就会被识别为非拉丁字符

代码示例（承接上述拆分逻辑） #

WITH RECURSIVE num_seq AS (
    SELECT 1 AS pos
    UNION ALL
    SELECT pos + 1 FROM num_seq WHERE pos < 200
),
split_result AS (
    SELECT
        original_id,
        pos,
        SUBSTRING(your_content_column, pos, 1) AS single_char
    FROM your_original_table
    JOIN num_seq ON pos <= CHAR_LENGTH(your_content_column)
)
SELECT
    *,
    -- 标记为1即为非拉丁字符，0为拉丁字符
    CASE WHEN single_char REGEXP '^[^\x00-\x7F]$' THEN 1 ELSE 0 END AS is_non_latin
FROM split_result
ORDER BY original_id, pos;

注意事项 #

• 计算字符串长度时必须用按字符计数的函数（MySQL/PG用CHAR_LENGTH()，SQL Server用LEN()），不要用按字节计数的长度函数，避免全角符号、中文等多字节字符长度计算错误导致漏拆
• 如果需要将带变音符号的拉丁扩展字符（如é、ñ、ü）判定为拉丁字符，将正则匹配范围调整为^[^\x00-\xFF]$即可
• 若业务场景需要识别更多特殊字符，直接在正则中补充对应Unicode范围即可，不需要修改核心拆分逻辑

内容的提问来源于stack exchange，提问作者KND894GJ