SQL-dataextraktion med OFFSET och FETCH

I den här bloggen kommer vi att diskutera och HÄMTA. Dessa två – när de kombineras – är mycket kraftfulla och kan hjälpa oss med våra SQL-dataextraktionsuppgifter. Vi kan använda dessa två för att extrahera data baserat på våra krav eller behov.

Syftet med OFFSET är att hoppa över de första raderna som du har nämnt i din datauppsättning. Å andra sidan använder vi FETCH för att begränsa raderna. De är båda alternativ för ordning efter klausul . Tänk på att dessa två inte fungerar om du inte använder ORDER BY-klausulen .

I det här exemplet kan vi använda order by ID eller order by Name . Efter det, när du använder OFFSET 5 ROWS , hoppar den över de första 5 raderna. När du kombinerar ENDAST HÄMTA NÄSTA 10 RADER , kommer den bara att få nästa 10 data efter de 5 raderna.

Men om vi inte använder kommandot FETCH kommer det att visa alla andra rader förutom de där vi använde OFFSET .

SQL-dataextraktion med OFFSET och FETCH

Det betyder att raderna 6 till 15 kommer att visas i vår utdata och inget annat.

SQL-dataextraktion med OFFSET och FETCH

Innehållsförteckning

Att välja en tabell

Låt oss först öppna vår. I det här exemplet har vi redan en enkel tabell.

SQL-dataextraktion med OFFSET och FETCH

Markera sedan kommandot för att ladda tabellen.

SQL-dataextraktion med OFFSET och FETCH

Efter det klickar du på Execute .

SQL-dataextraktion med OFFSET och FETCH

Sedan ser du tabellen på fliken Resultat .

SQL-dataextraktion med OFFSET och FETCH

Använda OFFSET för SQL-dataextraktion

I utgången ser du att vi har ID och Namn .

SQL-dataextraktion med OFFSET och FETCH

Om vi ​​kör kommandot med " ORDER BY ID " kommer det att sortera data på ett stigande sätt beroende på ID-numret.

SQL-dataextraktion med OFFSET och FETCH

SQL-dataextraktion med OFFSET och FETCH

Vi kan också använda kommandot " ORDER BY ID DESC " för att sortera data på ett fallande sätt.

SQL-dataextraktion med OFFSET och FETCH

Men för det här exemplet kommer vi att köra kommandot " ORDER BY ID ". Låt oss sedan hoppa över de första 10 raderna i vår utdata. Så vi skriver " OFFSET 10 ROWS ."

SQL-dataextraktion med OFFSET och FETCH

Efter det, låt oss markera de kommandon vi ska köra. Klicka sedan på Execute .

SQL-dataextraktion med OFFSET och FETCH

När vi kontrollerar resultatet på fliken Resultat ser vi att kommandot vi använde hoppade över de första 10 raderna. Nu visar den bara data från ID 11 .

SQL-dataextraktion med OFFSET och FETCH

Använder FETCH för SQL-dataextraktion

Låt oss nu använda FETCH . I det här exemplet HÄMTAR vi bara 2 rader. Detta betyder att ID 11 och ID 12 kommer att vara de enda i utgången.

Låt oss först skriva " HÄMTA ENDAST NÄSTA 2 RADER ."

SQL-dataextraktion med OFFSET och FETCH

Därefter markerar vi kommandona och klickar på Execute .

SQL-dataextraktion med OFFSET och FETCH

Sedan ser du att utdata endast visar ID 11 och ID 12 i .

SQL-dataextraktion med OFFSET och FETCH

Du kan ändra behörigheten när du vill beroende på ditt mål. Du kan hoppa över de första 15 raderna genom att skriva " OFFSET FIRST 10 ROWS ." När den kombineras med FETCH , blir den mer kraftfull. Förutom att använda " ORDER BY ID " kan du också använda " ORDER BY NAME ."

Slutsats

För att avsluta det hela har vi diskuterat användningen av OFFSET och FETCH . Med dessa två enkla kommandon kommer du att kunna ändra begränsningar och styra utdata på vilka rader du vill ska visas.

Om du inte behöver de första 50 raderna behöver du inte scrolla nedåt. Istället kan du enkelt få det genom att använda dessa enkla men kraftfulla kommandon. OFFSET ochkan vara enkelt. Men när de används tillsammans blir de kraftfulla eftersom du har mer kontroll över datan.

Om du vill veta mer om det här ämnet och annat relaterat innehåll kan du absolut kolla in listan med relevanta länkar nedan.

Med vänliga hälsningar,

Hafiz


Pipe In R: Anslutningsfunktioner med Dplyr

Pipe In R: Anslutningsfunktioner med Dplyr

I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.

RANKX Deep Dive: A Lucky Templates DAX-funktion

RANKX Deep Dive: A Lucky Templates DAX-funktion

RANKX från LuckyTemplates låter dig returnera rankningen av ett specifikt nummer i varje tabellrad som utgör en del av en lista med nummer.

Extrahera LuckyTemplates-teman och bilder från PBIX

Extrahera LuckyTemplates-teman och bilder från PBIX

Lär dig hur du tar isär en PBIX-fil för att extrahera LuckyTemplates-teman och bilder från bakgrunden och använda den för att skapa din rapport!

Excel Formler Fuskblad: Mellanvägledning

Excel Formler Fuskblad: Mellanvägledning

Excel Formler Fuskblad: Mellanvägledning

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

Python i LuckyTemplates: Hur man installerar och ställer in

Python i LuckyTemplates: Hur man installerar och ställer in

Lär dig hur du installerar programmeringsspråket Python i LuckyTemplates och hur du använder dess verktyg för att skriva koder och visa bilder.

Beräkna dynamiska vinstmarginaler – enkel analys av LuckyTemplates med DAX

Beräkna dynamiska vinstmarginaler – enkel analys av LuckyTemplates med DAX

Lär dig hur du beräknar dynamiska vinstmarginaler vid sidan av LuckyTemplates och hur du kan få fler insikter genom att gräva djupare i resultaten.

Sortering av datumtabellkolumner i LuckyTemplates

Sortering av datumtabellkolumner i LuckyTemplates

Lär dig hur du sorterar fälten från en utökad datumtabells kolumner korrekt. Detta är en bra strategi att göra för svåra fält.

Hitta dina bästa produkter för varje region i LuckyTemplates med DAX

Hitta dina bästa produkter för varje region i LuckyTemplates med DAX

I den här artikeln går jag igenom hur du kan hitta dina toppprodukter per region med hjälp av DAX-beräkningar i LuckyTemplates, inklusive TOPN- och CALCULATE-funktionerna.

Skräpdimension: Vad är det och varför det är allt annat än skräp

Skräpdimension: Vad är det och varför det är allt annat än skräp

Lär dig hur du använder en skräpdimension för flaggor med låg kardinalitet som du vill infoga i din datamodell på ett effektivt sätt.