很多朋友们以为 SQL 是用来处理结构化数据的;而文本是典型的非结构化数据(unstructured data)。其实 SQL 可以处理文本，而且比 Python 更方便 。
这篇文章简要介绍如何用 MySQL 来分词，构造词表，词向量，和计算文本的相似度。本文中的例子，用 TiDB 应该也可以跑通。
导入数据
为了简单，我们用一个只有三行(三个文档)的文本文件(a.txt)作为原始数据。MySQL 只支持从特定的目录导入文件中的数据。可以用如下 SQL 语句查询这个目录：
mysql> SHOW VARIABLES LIKE "secure_file_priv";
+------------------+-----------------------+
| Variable_name | Value |
+------------------+-----------------------+
| secure_file_priv | /var/lib/mysql-files/ |
+------------------+-----------------------+
把 a.txt 拷贝到这个目录(/var/lib/mysql-files/)之后，可以用如下语句导入创建一张表，并且导入数据。因为表里的 id 是自动生成的，所以导入过程会给每一行(每一个文档)分配一个文档 id。
CREATE DATABASE IF NOT EXISTS play;USE play;
DROP TABLE IF EXISTS docs;
CREATE TABLE IF NOT EXISTS docs (
id INT NOT NULL AUTO_INCREMENT,
doc TEXT,
PRIMARY KEY (id));
LOAD DATA INFILE “/var/lib/mysql-files/a.txt”
INTO TABLE docs (doc);
现在我们可以检查一下结果
mysql> SELECT * FROM docs;
+----+------------------------+
| id | doc |
+----+------------------------+
| 1 | fresh carnation flower |
| 2 | mother day |
| 3 | mother teresa |
+----+------------------------+
分词
有一些数据库系统，比如阿里云上的 MaxCompute 提供分词用的 UDF，是一个特色。本文假设没有这样的功能。仅仅按照空格来分词，SQL 也是可以通过 inner join 做到的。
因为分词是把一个字符串变成多条记录。具体的说，要取出字符串中第一个、第二个、第三个。。。子串。所以我们需要一个自然数序列。我们可以通过上面例子里自动产生文档 ID 的机制，生成这个序列。下面的语句创建一个表 incr，其中只有一列，是自动产生的自然数序列。
DROP TABLE IF EXISTS incr;
DROP PROCEDURE IF EXISTS generate_sequence;
CREATE TABLE IF NOT EXISTS incr (
n INT NOT NULL AUTO_INCREMENT,
PRIMARY KEY (n));
DELIMITER //
CREATE PROCEDURE generate_sequence()
BEGIN
DECLARE i int DEFAULT 0;
WHILE i < 5 DO INSERT INTO incr () VALUES (); SET i = i + 1; END WHILE; END // DELIMITER ; CALL generate_sequence; 上面语句创建了 SQL 子程序(procedure)，其中的循环往 incr 表里增加了 5 条记录，从而产生了一个 1 到 5 的自然数序列。我们可以修改其中的 5 为其他任何数值，来创建更长或者更短的序列。 mysql> select * from incr;
+----+
| n |
+----+
| 1 |
| 2 |
| 3 |
| 4 |
| 5 |
+----+
利用这个序列，我们可以把每个字符串分割成最多 5 个(或者更多)的子串。
CREATE TABLE doc_words
SELECT
docs.id,
SUBSTRING_INDEX(SUBSTRING_INDEX(docs.doc, ' ', incr.n), ' ', -1) word
FROM
incr INNER JOIN docs
ON CHAR_LENGTH(docs.doc)
-CHAR_LENGTH(REPLACE(docs.doc, ' ', ''))>=incr.n-1
ORDER BY
id, n;
上面语句里的 join 操作把每条记录(字符串，或者叫文档)复制了 5 份;而 SELECT 操作选取每个复制中的第 i 个子串(word);CREATE TABLE 把结果写入一张新的表 doc_words，其内容如下。
mysql> select * from doc_words;
+----+-----------+
| id | word |
+----+-----------+
| 1 | fresh |
| 1 | carnation |
| 1 | flower |
| 2 | mother |
| 2 | day |
| 3 | mother |
| 3 | teresa |
+----+-----------+
停用词
很多时候，我们回想剔除分词结果中的停用词(stopwords)。假设我们有一个停用词表 —— 下文中用 (SELECT 'fresh')替代 —— 假设这个词表里只有一个单词了，下面语句剔除掉 doc_words 表中的停用词。
mysql> SELECT * FROM doc_words WHERE word NOT IN (SELECT 'fresh');
+----+-----------+
| id | word |
+----+-----------+
| 1 | carnation |
| 1 | flower |
| 2 | mother |
| 2 | day |
| 3 | mother |
| 3 | teresa |
+----+-----------+
词向量
仅仅分词还不足以计算文档距离，还需要统计每个文档里，每个词出现的次数 —— 也就是词向量。下面的 SQL 语句可以很方便地做这件事。
CREATE TABLE doc_word_count
SELECT id, word, count(word) as count
FROM doc_words GROUP BY id, word;
我们看看结果。
mysql> SELECT * FROM doc_word_count;
+----+-----------+-------+
| id | word | count |
+----+-----------+-------+
| 1 | carnation | 1 |
| 1 | flower | 1 |
| 1 | fresh | 1 |
| 2 | day | 1 |
| 2 | mother | 1 |
| 3 | mother | 1 |
| 3 | teresa | 1 |
+----+-----------+-------+
归一化词向量
通过归一化词向量，我们可以得到一个文档的词分布(word distribution);这是计算文档相似度的输入。为了归一，需要能统计文档的长度，这可以通过 GROUP BY id 来实现。
mysql> SELECT id, sum(count) as len FROM doc_word_count GROUP BY id;
+----+------+
| id | len |
+----+------+
| 1 | 3 |
| 2 | 2 |
| 3 | 2 |
+----+------+
基于上述方法，下面的 SQL 语句从 doc_words 表推导出 doc_word_dist 表，表示词分布。
CREATE TABLE doc_word_dist
SELECT doc_word_count.id, word, count/len AS prob
FROM doc_word_count,
(SELECT id, sum(count) as len FROM doc_word_count GROUP BY id) s
WHERE doc_word_count.id = s.id;
我们检查一下结果。
mysql> SELECT * FROM doc_word_dist;
+----+-----------+--------+
| id | word | prob |
+----+-----------+--------+
| 1 | carnation | 0.3333 |
| 1 | flower | 0.3333 |
| 1 | fresh | 0.3333 |
| 2 | day | 0.5000 |
| 2 | mother | 0.5000 |
| 3 | mother | 0.5000 |
| 3 | teresa | 0.5000 |
+----+-----------+--------+
文档相似度
有了归一化的词向量，下面语句计算文档之间的两两相似度(pairwise similarity)。我们用的是 dot product similarity。
SELECT x.id, y.id, sum(x.prob*y.prob)
FROM doc_word_dist x, doc_word_dist y
WHERE x.id > y.id AND x.word = y.word
GROUP BY x.id, y.id;
在这个非常简单的例子里，第二个和第三个文档里共同出现了一个单词“mother”。而其他任何文档对(pairs)都没有共用的词，所以结果只有一行。
+----+----+--------------------+
| id | id | sum(x.prob*y.prob) |
+----+----+--------------------+
| 3 | 2 | 0.25000000 |
+----+----+--------------------+
AI + SQL
从这个例子我们可以看到。虽然文档 2 和 3 在词向量空间有一定相似度，但是其实一个是关于特蕾莎修女，一个是关于母亲节 —— 英语里 mother 有修女和母亲两个意思 —— 这结果不合理。反而是 文档 1 “康乃馨” 是母亲节必备的礼物，应该存在一定的相似度。
不管我们用 SQL 还是 Python 来做文本分析，我们都希望借助 AI 的力量深刻理解文本，而不是仅仅在字面上做聚类等分析。接下来的文章，我们会更新如何利用 SQLFlow 扩展 SQL，引入 latent topic modeling 技术来做语义理解。
相关数据
上文中为了演示方便，用了很小的数据集(只有三个文档)。对于程序员来说，一个更有意义的数据集是 GitHub 上一些著名开源项目里的 code review comments —— 我们可以看看各个项目里的 code review 都在说些什么内容;大牛是怎么表达意见的。
这个 crawler 的注释里有用法。我们试着爬下来了 TensorFlow 和 PyTorch(当然还有我们自己的项目 SQLFlow)的 code review comments。其中 PyTorch 的最多，有 20MB 左右。欢迎大家用上述方法，试试处理这样的数据。我们也很期待听到大家关于用 SQL 处理文本数据的反馈。