京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SQL Server 提供了许多用于处理 JSON 数据的功能,其中之一是解析 JSON 数组。在此篇文章中,我将会介绍如何在 SQL Server 中解析 JSON 数组以及一些相关的注意事项。
JSON 数组的基本概念
JSON 数组是一种存储多个值的方式,每个值都可以是一个简单的类型(例如字符串、数字或布尔值)或者是一个复杂的类型(例如对象或其他数组)。JSON 数组由方括号 [] 包围,其中的值使用逗号分隔。
示例:
[ { "name": "John", "age": 30, "city": "New York" }, { "name": "Mary", "age": 25, "city": "Los Angeles" } ]
以上是一个包含两个对象的 JSON 数组,每个对象都有 name、age 和 city 三个属性。
SQL Server 如何解析 JSON 数组
SQL Server 提供了 OPENJSON 函数来解析 JSON 数据。通过这个函数,你可以将 JSON 数组转换成表格形式,每行代表一个数组元素,每列代表一个属性。
以下是 OPENJSON 函数的基本语法:
OPENJSON(json_expression[, path]) [WITH (property_name data_type [,...])]
示例:
DECLARE @json NVARCHAR(MAX) SET @json = '[{"name": "John","age": 30,"city": "New York"},{"name": "Mary","age": 25,"city": "Los Angeles"}]' SELECT * FROM OPENJSON(@json)
以上 SQL 查询将会返回以下结果:
+-----------+-------+-------------+
| key | value | type |
+-----------+-------+-------------+
| 0 | -- | 5 (= JSON_ARRAY)|
| [0].name | John | 1 (= JSON_STRING)|
| [0].age | 30 | 2 (= JSON_INT)|
| [0].city | New York | 1 (= JSON_STRING)|
| 1 | -- | 5 (= JSON_ARRAY)|
| [1].name | Mary | 1 (= JSON_STRING)|
| [1].age | 25 | 2 (= JSON_INT)|
| [1].city | Los Angeles | 1 (= JSON_STRING)|
+-----------+-------+-------------+
在上面的查询中,我们使用了 OPENJSON 函数来解析 JSON 数组,并且没有指定 path 参数。因此,整个 JSON 对象都被解析了。OPENJSON 函数返回了一个表格,其中每行代表一个数组元素,每列代表一个属性。具体来说,表格包含三列:
注意事项
在使用 OPENJSON 函数时,需要注意以下几点:
总结
SQL Server 提供了 OPENJSON 函数来解析 JSON 数据,可以将 JSON 数组转换成表格形式,方便后续的数据处理。在
使用 OPENJSON 函数时,需要注意传入的 JSON 数组必须是有效的 JSON 格式,并且如果数组中包含了对象数组,则需要使用嵌套的 OPENJSON 函数来解析。此外,OPENJSON 函数只能返回基本数据类型,如果要返回复杂数据类型,需要进行一些转换操作。
在处理多维数组时,可以使用 CROSS APPLY 子句来展开数组。以下是一个具有嵌套数组和对象的示例:
{ "name": "John", "age": 30, "hobbies": [ { "name": "reading", "level": 3 }, { "name": "swimming", "level": 2 } ] }
我们可以使用如下 SQL 查询来解析该 JSON 对象:
DECLARE @json NVARCHAR(MAX) SET @json = '{"name": "John","age": 30,"hobbies": [{"name": "reading", "level": 3}, {"name": "swimming", "level": 2}]}' SELECT name, age, hobby_name, hobby_level FROM OPENJSON(@json) WITH (
name VARCHAR(50),
age INT,
hobbies NVARCHAR(MAX) AS JSON
) AS person CROSS APPLY OPENJSON(person.hobbies) WITH (
hobby_name VARCHAR(50),
hobby_level INT );
以上 SQL 查询将会返回以下结果:
+------+-----+------------+-------------+ | name | age | hobby_name | hobby_level | +------+-----+------------+-------------+ | John | 30 | reading | 3 | | John | 30 | swimming | 2 | +------+-----+------------+-------------+
在查询中,我们使用了 CROSS APPLY 子句来展开 hobbies 数组,并用嵌套的 WITH 子句来解析数组中的对象。最终得到包含两列的结果集,其中每行代表一个 hobby 兴趣。
结论
在 SQL Server 中,可以使用 OPENJSON 函数来解析 JSON 数组。通过将 JSON 数组转换为表格形式,可以方便地进行后续的数据处理。在使用 OPENJSON 函数时,需要注意传入的 JSON 数组必须是有效的 JSON 格式,并且如果数组中包含了对象数组,则需要使用嵌套的 OPENJSON 函数来解析。此外,在处理多维数组时,可以使用 CROSS APPLY 子句来展开数组。
推荐学习书籍
《**CDA一级教材**》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~

免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23