如果我只想提取第二个斜杠后的第二个，如何在大查询中使用 regex_extract？

Posted 2023-03-25

【中文标题】如果我只想提取第二个斜杠后的第二个，如何在大查询中使用 regex_extract？

【英文标题】：How to use regex_extract in big query if I want to only extract the second after second slash?

【发布时间】：2020-03-13 15:20:05

【问题描述】：

我正在使用regexp_extract(hit.page.pagepath,r'www.abcd.com/(.*?)/')，但它在大查询中给了我'sports'，我只想在'sports' 和'gamescore' 之前提取，即'football'。

网址https://www.abcd.com/sports/football/gamescore 是一个不断变化的示例，但www.abcd.com 是不变的。

我想始终提取网址的第二个斜杠部分 - 即 /football/

【参考方案1】：

你的尝试非常接近：

regexp_extract(hit.page.pagepath, r'www.abcd.com/[^/]+/([^/]+)/') 

[^/]+ 表示除/ 之外的一系列字符（至少一个字符）。

【参考方案2】：

split() 是一种简单的方法：

select split('https://www.abcd.com/sports/football/gamescore', '/')[safe_ordinal(4)]

【讨论】：

@DivyangJain 。 . .你有理由不接受这个答案吗？这似乎是解决您的问题的最简单方法。

【参考方案3】：

以下是 BigQuery 标准 SQL

我建议使用下面的正则表达式来消除对硬编码域的依赖

REGEXP_EXTRACT(url, r'(?:https://|http://|)(?:.*?/)2([^/]*)')  

您可以使用下面的示例进行测试，玩它

#standardSQL
WITH `project.dataset.table` AS (
  SELECT 'https://www.abcd.com/sports/football/gamescore' url UNION ALL
  SELECT 'http://www.abcd.com/sports/football/gamescore' url UNION ALL
  SELECT 'www.abcd.com/sports/football/gamescore' url UNION ALL
  SELECT 'www.abcd.com/sports/football' url UNION ALL
  SELECT 'www.abcd.com/sports/' url 
)
SELECT REGEXP_EXTRACT(url, r'(?:https://|http://|)(?:.*?/)2([^/]*)')
FROM `project.dataset.table`   

结果

Row f0_  
1   football     
2   football     
3   football     
4   football     
5         

显然 - 您可以进一步调整它以呈现您的真实用例

例如，通过更改2，您可以控制要提取url的哪一部分