MySQL 8.0.28 ICU正则筛选含'off'且排除用户名含'off'的推特数据

匹配规则说明 #

筛选逻辑需要同时满足两个要求：

• 推文内容中存在独立单词off
• 所有@提及的用户名（@后到下一个相邻分隔符之间的内容）中，任意位置都不出现off片段，覆盖@offersforyou（off在开头）、@groffers（off在中间）等所有用户名带off的场景

可直接使用的SQL代码 #

基础场景（用户名后以空格分隔）：

-- 表名、字段名替换成你实际的名称即可
SELECT * FROM twitter_dataset
WHERE tweet_text REGEXP '^(?!.*@[^ ]*off).*\\boff\\b.*$';

适配用户名后紧接标点的场景（比如@groffers,、@offersforyou!这类常见推文格式）：

SELECT * FROM twitter_dataset
WHERE tweet_text REGEXP '^(?!.*@[^ @,.:;!?\n]*off).*\\boff\\b.*$';

正则逻辑拆解 #

MySQL 8.0.28的REGEXP基于ICU正则引擎实现，支持环视语法，可以用单条正则完成全逻辑过滤，不需要多层嵌套字符串处理函数，各部分含义如下：

• ^：锚定字符串起始位置
• (?!.*@[^ ]*off)：负向前瞻校验，只要字符串任意位置存在「@开头、后续连续非分隔字符中包含off」的模式（也就是带off的@用户名），直接判定匹配失败，对应剔除逻辑
• .*\\boff\\b：匹配正文中的独立单词off，\\b是单词边界符，避免把office、offer、offload这类仅包含off字符片段的词误判
• .*$：匹配字符串剩余内容直到结束

注意事项 #

• MySQL字符串中反斜杠需要转义，因此单词边界符要写成\\b，不要直接写\b
• 默认REGEXP是大小写不敏感匹配，如果需要严格匹配小写的off，可以在REGEXP前加BINARY关键字开启大小写敏感匹配
• 可以根据实际推文的标点情况，调整[^ ]或者[^ @,.:;!?\n]里的分隔符列表，覆盖更多边界场景

内容的提问来源于stack exchange，提问作者swapnilindahood