Bigquery SQL Regex - 字符串的开始/结束或不跟随/跟随任何字母

Posted 2023-03-25

【中文标题】Bigquery SQL Regex - 字符串的开始/结束或不跟随/跟随任何字母

【英文标题】：Bigquery SQL Regex - Either start/end of string or not followed by/following any alphabet

【发布时间】：2021-05-04 03:53:16

【问题描述】：

我想查找一个字符串（已经小写）是否包含一个确切的单词。它可以在字符串中的任何位置。例如，假设这个词是pot。

我最初使用过

regexp_contains(lower(string), "^.*[^a-z]pot[^a-z].*$")

但这无法捕获 pot 出现在字符串开头/结尾的情况。据我了解，[^a-z] 需要匹配字母以外的其他内容，并且对于开始/结束情况，它无法找到任何内容。

所以，我添加了* 以确保即使没有字母也可以。

regexp_contains(lower(string), "^.*[^a-z]*pot[^a-z]*.*$")

但它匹配 pot 是另一个更大单词的一部分的情况，例如。 honeypot等

我不认为这个问题仅限于 Bigquery SQL 的regexp_contains。

【问题讨论】：

感谢您的努力，您能否发布一些输入和预期输出示例以使问题更清晰，谢谢。

试试这个REGEXP_CONTAINS(value, r"\bpot\b")

【参考方案1】：

考虑下面的例子

#standardSQL
with `project.dataset.table` as (
  select 'pot asdf' sentence union all 
  select 'rtui pot' union all 
  select 'rtui pot dfgrert' union all 
  select 'sdpot potdf lkpotij' union all 
  select 'fjkhgsiejur sldkkr'
)
select sentence
from `project.dataset.table`
where regexp_contains(lower(sentence), r'\bpot\b')

【讨论】：

感谢您的解决方案。它使用 Bigquery UI 工作。但是，当我使用 pands.read_gbq 从 jupyter 笔记本向 BQ 传递相同的查询时，它不起作用。我正在使用if(regexp_contains(lower(string), r'(\blot\b|\bcot\b)'), 1, 0) is_pot_or_cot，在 UI 中，有些行有 1，有些有 0，但从 jupyter noteboook 获取的数据帧对于列 is_pot_or_cot 都是 0。

我应该如何从 python 客户端在 bigquery SQL 中传递上述正则表达式模式？ @米哈伊尔

【参考方案2】：

regexp_contains(lower(string), "^.*[^a-z]pot[^a-z].*$|^pot[^a-z].*$|^.*[^a-z]pot$|^pot$")