SQL迴圈實作 -6.英文文字雲的處理工廠1

2019鐵人賽

張小馬~

2018-10-26 18:24:57

1838 瀏覽

我知道昨天早上文章的收尾是說今天要繼續談內迴圈，然後要做中文文字雲。但經過了重新編排和改寫後，在36小時後的現在決定，為了順序上比較完整、加上讓系列文談到的涵蓋範圍更多，預計剩下來的5天編排是這個樣子：英文文字雲使用外迴圈2天、中文文字雲先使用外迴圈再使用內迴圈共3天。

因為小馬我前兩天努力趕了點進度，然後壓縮了一下原本要講中文文字雲內迴圈的部分。原本是打算30天只能講完內迴圈的應用，不過擠了一下，現在多出了4天，發現這樣就可以把外迴圈的例子給舉上來。畢竟這才是小馬認為的「迴圈處理的精華」啊！看看那精美猶如工廠般的外迴圈製作流程圖！

這個系列文，將會給各位帶來滿滿的，大！數！據！......(!?)

外迴圈

英文的處理，非常適合拿來說明外迴圈的處理概念。當然，針對這個處理，並不是非得用外迴圈來做，畢竟這方式看起來很麻煩，只是因為它在說明上相較簡單，所以被我拿來當例子示範外迴圈。一旦外迴圈學通了，肯定會有一種如武俠小說中打通任督二脈的暢快感。

在正式進入資料之前，我先以上圖搭配簡單的範例做說明：

清洗資料
原始資料(ithelp_text_eng_source)：【Is it good to drink?】
去掉問號、全換小寫後，存成t1。
t1資料(ithelp_wordcloud_t1_source)：【is it good to drink】
處理資料
t1資料(ithelp_wordcloud_t1_source)：【is it good to drink】
找到第一個空格位置，STRPOS(text,' ') = 【3】
將【is】和【it good to drink】切開，存成t2。
t2資料(ithelp_wordcloud_t2_processing)：【3】、【is】、【it good to drink】
收納資料
將
t2資料(ithelp_wordcloud_t2_processing)：【is】
收進
t3資料(ithelp_wordcloud_t3_goalwarehouse)裡。
重建t1
砍掉t1，將
t2資料(ithelp_wordcloud_t2_processing)：【it good to drink】
建成
t1資料(ithelp_wordcloud_t1_source)：【it good to drink】

重複步驟2,3,4，
此時步驟2的t1資料(ithelp_wordcloud_t1_source)已經變成【it good to drink】，而不是原本的【is it good to drink】。持續做好幾次之後，t3資料(ithelp_wordcloud_t3_goalwarehouse)裡，就會陸續收進：is、it、good、to、drink。如下圖所示：

接著你只要select goal,SUM(1) from t3 group by goal，文字雲的底階資料就誕生了。你也可以想像，當一篇文章一直重複出現某個單字時，group by後的sum(1)就會越多，對吧？

而外迴圈，就是將4(1)->2->3寫成迴圈裡面的query，依序執行。以下先暴個明天的劇情雷：

--t1
DROP TABLE IF EXISTS ithelp_wordcloud_t1_source; 
CREATE TABLE ithelp_wordcloud_t1_source as
select next_target target from ithelp_wordcloud_t2_processing;
--t2
DROP TABLE IF EXISTS ithelp_wordcloud_t2_processing; 
CREATE TABLE ithelp_wordcloud_t2_processing as 
select *,
STRPOS(target,' ') tag,
LEFT(target,STRPOS(target,' ')-1) goal,
SUBSTRING(target,STRPOS(target,' ')+1) next_target
from ithelp_wordcloud_t1_source;
--t3
INSERT into ithelp_wordcloud_t3_goalwarehouse
select goal from ithelp_wordcloud_t2_processing
where goal is not null and goal not in ('') and tag > 0;

簡單來說，就是將上面這一串，完整塞進迴圈的query位置。
暫時看不懂也無妨，明天會有更深入的說明。

控制項

相較於內迴圈，外迴圈有個極大的問題，在於，一剛開始，不會知道要跑幾次、要跑多久，因為第二份資料開始，都必須等前面資料處理完才能得知。不像內迴圈，在跑完t1時，就已經得知整個內迴圈的範圍是多少(例如昨天內迴圈文章舉例的關聯分析17種商品)，可以直接指定這個範圍(17)去進行迴圈。

插個題外話，以現在這個英文文字雲的例子，當然我們可以預先算出要計算到第幾個空格，那是因為這個例子相較簡單(才被我拿來當範例)，但在大多數使用外迴圈處理的資料裡，幾乎沒辦法預先計算要跑到哪個範圍；同理，內迴圈能不能用控制項？當然可以，只是內迴圈的處理，之所以稱「內」迴圈，表示這個迴圈範圍是已經被人得知的，經驗上就會直接指定變數，讓迴圈跑完某個範圍，而不會再寫成控制項。

所以，針對外迴圈，我們必須壓上一條控制項，簡單說，就是控制【什麼時候要跑、什麼時候不跑】的條件。將我們的判斷過程細細來看：

判斷空格位置(3)

將資料拆成【收納資料】(is)和【剩餘資料】(it good to drink)

什麼時候會開始沒有【收納資料】？就是沒有空格的時候。當剩餘資料只剩下【drink】，空格位置是【0】，不再有收納資料出現。就是這時候，讓迴圈不要再繼續跑。因此，我們先設計一個這種條件的function，在之後迴圈中，我們可以加上這個條件，去控制整個迴圈的終點。

再插個題外話，事實上，如果你看這篇沒有想睡覺，你會發現一件事，就是如果我們在0的時候就停下來，那麼，drink這個字只會是剩餘資料，而永遠無法變成收納資料。那最後你的goal，就會少掉drink這個單字。該怎麼辦呢？明天一併解決這問題！

建置ithelp_wordcloud_1()：

DROP FUNCTION IF EXISTS ithelp_wordcloud_1();
CREATE OR REPLACE FUNCTION ithelp_wordcloud_1()
RETURNS INTEGER as
$BODY$
BEGIN
RETURN ()
END
$BODY$
LANGUAGE 'plpgsql';

這個function，和前面提到的都不一樣，前面提到的是要跑出整份資料，但這裡，我只需要跑出一個整數，而這個整數是0。所以第三排的RETURNS後面接的不是SETOF某table，而是INTEGER。

至於BEGIN...END的中間，實際要RETURN什麼，才可以讓它是0？就是明天的功課了。今天只先闡述，外迴圈是在處理什麼工作、如何停止外迴圈。為了順序上的建置較容易讓各位理解，明天會一步一步從頭來過，咱們明天見。

上一篇：
SQL迴圈實作 -5.關聯分析的處理工廠3
下一篇：
SQL迴圈實作 -7.英文文字雲的處理工廠2