检索推文中提到的每个主题标签的出现次数

Question

我的 PieCloudDB 数据库中有一个 tweets 表。假设我有以下示例数据：

用户 ID	tweet_id	推文日期	推文
128	6	2024-02-01	#生活充满惊喜。
133	9	2024-02-01	我对自己的成就#感到高兴。
146	13	2024-02-04	NoSQL 与 SQL。 #数据库#技术
150	14	2024-02-05	晴朗的天气让大家#开心！
155	18	2024-02-07	#PieCloudDB 是云原生#数据库。
156	19	2024-02-10	#快乐的人散发着正能量。 #乐观
168	30	2024-03-02	多么美好的#生活啊！

我现在想要计算主题标签在二月份中出现在推文中的次数，并按计数降序和主题标签名称升序（ 请注意，每条推文可能有多个主题标签）。对于上面的示例数据，我希望得到以下结果：

标签hashtag_count#快乐3#数据库2#生活1#乐观1#PieCloudDB1#科技1

我尝试了以下查询：

SELECT hashtag, COUNT(*) AS hashtag_count
FROM (
    SELECT 
        tweet_id,
        UNNEST(STRING_TO_ARRAY(SUBSTRING(tweet, POSITION('#' IN tweet)), ' ')) AS hashtag
    FROM tweets
    WHERE tweet_date >= '2024-02-01' AND tweet_date < '2024-03-01'
) AS subquery
WHERE hashtag LIKE '#%'
GROUP BY hashtag
ORDER BY hashtag_count DESC, hashtag ASC

但是我发现了一个问题。出现在末尾的主题标签将计算标点符号，例如

.

 或 

!

 :

标签hashtag_count#快乐2#数据库1#数据库。1#快乐！1#生活1#乐观1#PieCloudDB1#科技1

有什么办法可以避免这个问题吗？

Answer 1

你可以尝试使用

regular expressions

来解决这个问题。（我不太确定这是否适用于PieCloudDB），我刚刚在PostgreSQL中测试了它。

SELECT unnest(regexp_matches(tweet, '#\w+', 'g')) AS hashtag, COUNT(*) AS hashtag_count
FROM tweets
WHERE tweet_date >= '2024-02-01' AND tweet_date < '2024-03-01'
GROUP BY hashtag
ORDER BY hashtag_count DESC, hashtag ASC