SQL (2005)中 部分正则

like '%[wx|wy]%' 匹配含有 wx或wy 的数据


没有正则表达式LIKE     

确定给定字符串否与指定模式匹配模式包含常规字符和通配符字符模式匹配过程常规字符必须与字符串指定字符完全匹配使用字符串任意片段匹配通配符与使用   =   和   !=   字符串比较运算符相比使用通配符使   LIKE   运算符更加灵活任何参数都属于字符串数据类型Microsoft®   SQL   Server™   会其转换成字符串数据类型(能) 

语法 
match_expression   [   NOT   ]   LIKE   pattern   [   ESCAPE   escape_character   ] 

参数 
match_expression   任何字符串数据类型有效   SQL   Server   表达式 
patternmatch_expression   搜索模式包含下列有效   SQL   Server   通配符 

1       %     包含零或更多字符任意字符串 
        示例:WHERE   title   LIKE   '%computer% '     查找处于书名任意位置包含单词   computer   所有书名 

2     _(下划线)   任何单字符 
      示例:WHERE   au_fname   LIKE   '_ean '   查找   ean   结尾所有   4   字母名字(Dean、Sean   等) 

3       []   指定范围任何单字符 
      示例:WHERE   au_lname   LIKE   '[C-P]arsen '   查找arsen   结尾且介于   C   与   P   之间任何单字符开始   作者姓氏Carsen、Larsen、Karsen   等 

4   [^]     属于指定范围任何单字符与   []   相反 
      示例:WHERE   au_lname   LIKE   'de[^l]% '   查找   de   开始且其字母   l   所有作者姓氏 
  
   使用   like   模式匹配: 
搜索Datetime类型时建议使用like   . 
LIKE   支持   ASCII   模式匹配和   Unicode   模式匹配当所有参数包括   match_expression、pattern   和   escape_character(有)都   ASCII   字符数据类型时执行   ASCII   模式匹配任何参数属于   Unicode   数据类型则所有参数被转换   Unicode   并执行   Unicode   模式匹配当对   Unicode   数据(nchar   或   nvarchar   数据类型)使用   LIKE   时尾随空格有意义对于非   Unicode   数据尾随空格没有意义Unicode   LIKE   与   SQL-92   标准兼容ASCII   LIKE   与   SQL   Server   早期版本兼容 

二   使用   %   通配符 

例此查询显示数据库所有系统表们都字母   sys   开始: 
SELECT   TABLE_NAME 
FROM   INFORMATION_SCHEMA.TABLES 
WHERE   TABLE_NAME   LIKE   'sys% ' 
若要查阅非系统表所有对象请使用   NOT   LIKE   'sys% '共有   32   对象且   LIKE   找   13   与模式匹配名称则   NOT   LIKE      19   与   LIKE   模式匹配对象 

三   使用escape字句模式匹配 

搜索包含或多特殊通配符字符串customers   数据库   discounts   表能存储含百分号   (%)   折扣值若要搜索作字符而通配符百分号必须提供   ESCAPE   关键字和转义符样本数据库包含名   comment   该列含文本   30%若要搜索   comment   列任何位置包含字符串   30%   任何行请指定由   WHERE   comment   LIKE   '%30!%% '   ESCAPE   '! '   组成   WHERE   子句指定   ESCAPE   和转义符SQL   Server   返回所有含字符串   30    

下例使用   ESCAPE   子句和转义符查找   mytbl2   表   c1   列精确字符串   10-15% 

USE   pubs 
GO 
IF   EXISTS(SELECT   TABLE_NAME   FROM   INFORMATION_SCHEMA.TABLES 
            WHERE   TABLE_NAME   =   'mytbl2 ') 
      DROP   TABLE   mytbl2 
GO 
USE   pubs 
GO 
CREATE   TABLE   mytbl2 
( 
  c1   sysname 
) 
GO 
INSERT   mytbl2   VALUES   ( 'Discount   is   10-15%   off ') 
INSERT   mytbl2   VALUES   ( 'Discount   is   .10-.15   off ') 
GO 
SELECT   c1   
FROM   mytbl2 
WHERE   c1   LIKE   '%10-15!%   off% '   ESCAPE   '! ' 
GO 

四   使用   []   通配符 

下例查找姓   Carson、Carsen、Karson   或   Karsen   作者所 
USE   pubs 
SELECT   au_lname,   au_fname,   phone 
FROM   authors 
WHERE   au_lname   LIKE   '[CK]ars[eo]n ' 
ORDER   BY   au_lname   ASC,   au_fname   ASC


### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值