数据抽取

理论上的关系型数据库，数据是以关系的方式存在。通常我们都可以把它们视为一种集合。这样，数据普通是以无序的方式存在的。这种做法的好处自不用多加讨论了，不过我们也得承认，有时这样也会带给我们一些麻烦。我最近就遇到这么一件。

我在网上遇上我的一个老同学，他提出了这样一个问题。有一个表（假设就叫myTable），表中有三个整型字段（假设就叫A11，A12，A13），其上有一个独一键约束。如今他想要在这个表的数据中取一些样品。他希望从中A13的各个取值中，各取一条记录。然后我问他，对A11和A12有什么要求吗？他说，没有，怎样取都可以，有没有规律都行。我想当然的说，简单，给我二十分钟。

有一个笑话不知你们听过没有。说很久以前，一个大数学家讲课，有先生问他能不能证明四色定理。他说，那容易，我如今就证给你们……然后他写啊写啊……想啊想啊……不断想到下课也没证出来，然后外面打了一个大大的响雷，他自嘲说，上帝也被我的狂妄激怒了……

什么，你问我刚才的问题怎样样了？我通知你，二十分种，不不，四十分钟，不不，好像是一个小时……后来到半夜了，外面开始打雷……我对我的同学说，老兄，我错了，让我把这问题拿回去想想先……

以下是一个示例，我随便录了些数据进去

A11 A12 A13

----------- ----------- -----------

0 0 0

0 0 1

0 1 1

1 1 1

1 1 2

1 2 2

2 2 2

2 2 1

2 2 3

2 1 3

2 3 3

3 3 1

3 3 2

3 2 3

3 2 1

3 2 2

3 1 1

3 1 2

3 1 3

一开始，我是想用一个SELECT MAX(A11), MAX(A12), A13 FROM myTable GROUP BY A13，后来用脚趾头想了想，发现不可能。由于 MAX(A11)和MAX(A12)都只依赖于分组子句 GROUP BY A13。显然这样MAX(A11)和MAX(A12) 不一定会是同一条记录中的数据。就像下面这样：

A13

----------- ----------- -----------

0 0 0

3 3 1

3 3 2

3 3 3

留意，其实3, 3, 3这一行是不存在的。

然后我想，SELECT MAX(A11), MAX(A12), A13 FROM myTable GROUP BY A13, A12行不行？用SQL Server 试了试，也不对。 由于这样的话，它会先按 A13, A12来分组所前往的结果集，所以会比我们要的数据多的多。就像下面这样

A13

----------- ----------- -----------

0 0 0

0 0 1

3 1 1

3 1 2

3 1 3

3 2 1

3 2 2

3 2 3

3 3 1

3 3 2

2 3 3

诸如此类的傻事我还干了很多，后来我终于想明白我要什么数据了：取A12，A13，使得在所有按A13的值分组后，取每组中最大的A12，然后取整记录，使得A11是A12和A13满足前述条件后的最大的一个值。这样，我写出了一个语句：

SELECT

(SELECT MAX(I.A11) FROM myTable I WHERE I.A13 = O.A13 AND I.A12 = MAX(O.A12)) A11

, MAX(O.A12) A12

, O.A13 A13

FROM myTable O

GROUP BY O.A13

这行语句前往值如下：

A11 A12 A13

----------- ----------- -----------

0 0 0

3 3 1

3 3 2

2 3 3

同样的，我们可以解释它为最两个结果集，一个是 SELECT MAX(A11), MAX(A12), A13 FROM myTable GROUP BY A13，一个是 SELECT MAX(A12), A13 FROM myTable GROUP BY A13, A12，然所按A12和A13进行等值联接，这就是：

SELECT MAX(L.A11) A11

, MAX(L.A12) A12

, L.A13 A13

FROM myTable L

JOIN myTable R

ON L.A13 = R.A13

GROUP BY L.A13, L.A12

HAVING L.A12 = MAX(R.A12)

我个觉得这样子比较清新，不知各位以为如何？

理想上，这一类的数据抽取，不可能用一个简单查询得到，由于其中有一个字段要同时参予分组和统计。只要（理想上是只需）把我们的问题用SQL言语的思考方式描述清楚，答案也就得到了，一切就这么简单。

对于一类完全按行随机抽取的问题，除了化为Top n问题处理外，还有一个好主意就是在支持物理行号的数据库系统中，用rowid 或标识列之类的技术来处理，这样比较简单，就不多说了。

补充一句，以前我说过InterBase不支持自动标识列，但实际上，它也可以间接的实现。在InterBase中，我们可以Create一种叫 generator的全局变量，然后用一个触发器，结合一个函数叫GEN_ID的，就可以做到。虽说有点麻烦，但并非不可能。详细情况，大家可以查询 InterBase有关技术文档。

欢迎来信和我讨论技术问题：lx1978@263.net。