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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26