根据前面的单词从段落中提取数值

Posted 2023-03-21

【中文标题】根据前面的单词从段落中提取数值

【英文标题】：Extracting a numerical value from a paragraph based on preceding words

【发布时间】：2020-06-17 12:59:33

【问题描述】：

我正在处理列中的一些大文本字段。经过一些清理后，我有如下内容：

truth_val: ["5"]
xerb Scale: ["2"]
perb Scale: ["1"]

我想提取数字 2。我正在尝试匹配字符串“xerb Scale”，然后提取 2。我尝试将包含 2 的组捕获为(?:xerb Scale:\s\[\")\d1，并尝试通过否定的外观排除匹配的组领先但没有运气。

这将在 SQL 查询中，我试图通过 REGEXP_EXTRACT() 函数提取数值。此查询是将此信息加载到数据库中的管道的一部分。

任何帮助将不胜感激！

【问题讨论】：

见prestosql.io/docs/current/functions/…或prestosql.io/docs/current/functions/regexp.html#regexp_extract

@PiotrFindeisen 是的，我在 presto 中使用了相同的正则表达式函数。我正在寻找合适的模式来使用。

【参考方案1】：

您应该匹配您不需要获取的内容以便为您的匹配设置上下文，并且您需要匹配并捕获您需要提取的内容：

xerb Scale:\s*\["(\d+)"]
                 ^^^^^  

请参阅regex demo。在 Presto 中，使用REGEXP_EXTRACT 获得第一个匹配项：

SELECT regexp_extract(col, 'xerb Scale:\s*\["(\d+)"]', 1); -- 2
                                                      ^^^

注意1 参数：

regexp_extract(string, pattern, group) → varchar 在string 中查找第一次出现的正则表达式pattern 并返回capturing group number group