亚马逊红移中的 SQL 正则表达式 substr 函数

Posted 2023-03-31

【中文标题】亚马逊红移中的 SQL 正则表达式 substr 函数

【英文标题】：SQL Regex substr function in amazon redshift

【发布时间】：2018-06-18 10:19:45

【问题描述】：

在我的数据库中，有一个显示登录页面的表格，我要做的是分类流量是否来自 SEO 渠道。当着陆页与模式/countrycode/index.aspx完全相等时，则应视为'SEO'，否则标记为'non-SEO'。

表格应该是这样的

    landing_page                               channel 
   /en/index.aspx                               SEO 
   /de/index.aspx                               SEO 
   /es/features/mobile-apps/index.aspx         Non-SEO 
   /ja/products/product01123                   Non-SEO 

为此，我在 Redshift 中编写了一个正则表达式，例如

   SELECT 
      landing_page, 
      CASE 
        WHEN 
          regexp_substr(landing_page, '/\/[a-z]2,4\/index.aspx')  IS NULL
        THEN 'Non-SEO' ELSE 'SEO'
      END channel 
   FROM 
      marketing_table

我在 regextester 中进行了测试，它非常适合我。但是，当我将它应用到 Redshift 中时，结果如下所示

    landing_page                               channel 
   /en/index.aspx                               SEO 
   /de/index.aspx                               SEO 
   /es/features/mobile-apps/index.aspx          SEO 
   /ja/products/product01123                    SEO
   /download/testing                           NON-SEO 

也就是说，/和/index.aspx之间的所有字符串都被考虑在内，我需要的是完全匹配。有什么建议可以解决吗？

非常感谢您的帮助！

更新：抱歉大家更新晚了。问题还没有解决。最令人困惑的一点是，对于同一个着陆页，不同流量，有的被认为是SEO，有的则不是，例如

        landing_page                               channel 
   /en/index.aspx                               SEO 
   /en/index.aspx                               Non-SEO

我们尝试了不同的方法，例如不使用正则表达式，而是使用字符串的长度，例如 (12,13,14,15,16) 中的 len(landing_page)。有人对此有任何想法吗？

【问题讨论】：

我的回答有帮助吗？请注意，您应该真正使用$ 来匹配字符串的结尾，并使用^ 来匹配字符串的开头。

【参考方案1】：

你应该使用

'/[a-z]2,4/index[.]aspx'

这里，/ 从一开始就被删除，[.] 用于匹配 literal 点。由于 Amazon Redshift 中的正则表达式不使用正则表达式分隔符，因此您无需使用 / 字符“包装”整个模式，也无需转义 /，因为它们不是特殊的正则表达式元字符。

【参考方案2】：

@Wiktor-Stribiżew 在我上面的答案几乎是正确的。他缺少行首和行尾字符。 使用输入 URL 考虑以下情况：

/es/features/en/index.aspx

根据 OP，这不应归类为 SEO。但使用正则表达式 '/[a-z]2,4/index[.]aspx' 会。要使用的正确正则表达式是'^/[a-z]2,4/index[.]aspx$'

select regexp_substr('/es/features/en/index.aspx','/[a-z]2,4/index[.]aspx');
>>> /en/index.aspx
select regexp_substr('/es/features/en/index.aspx','^/[a-z]2,4/index[.]aspx$');
>>> null
select regexp_substr('/en/index.aspx','^/[a-z]2,4/index[.]aspx$');
>>> /en/index.aspx
select regexp_substr('/es/features/mobile-apps/index.aspx','^/[a-z]2,4/index[.]aspx$')
>>> null