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在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17