在第二个和第三个连字符之间提取 TextString

Posted 2023-03-25

【中文标题】在第二个和第三个连字符之间提取 TextString

【英文标题】：Extract TextString between second and third hyphen

【发布时间】：2020-05-03 15:41:23

【问题描述】：

我正在尝试使用 RegEx 从我的一个列中的字符串中提取一些信息。

我需要定义第二列，等于第一列中第 2 次和第 3 次出现连字符之间的值。

经过多次谷歌搜索，我设法做到了这一点：

IFNULL(SAFE.REGEXP_EXTRACT(Final.CampaignName, r"(?:\w+\s+-\s+)2(\w+)\s+-"), "Other") AS CampaignCategory

Final.CampaignName 中的字符串的外观示例：

S - 橙子 - 酒吧 - 苹果

S - 苹果 - Foo Bar - 橙子 - 香蕉

S - 苹果 - 酒吧

如果第二个和第三个连字符之间有 1 个单词，我的正则表达式只会返回该值，但我需要返回整个文本（减去前导和尾随空格）。

谁能指导我做这件事的正确方向？

谢谢！

【问题讨论】：

请编辑以阐明每个示例要返回的内容。前两个很明显。对于第三个，第二个和第三个连字符之间没有文本（因为没有第三个连字符），那么要返回什么？一个空字符串？一个错误？如果您想返回Bar，您需要修改问题的措辞。不同的答案对此做出了不同的假设。

基于上下文 - 我强烈认为第三个示例的输出应该是 Bar。显然这是假设上下文被正确表示。

我很抱歉。我确实希望第三个示例也能返回Bar。谢谢你们两个的回答。 Cary 帮助我更好地理解 RegEx，而 Mikhail 为我的 BQ 示例提供了完美的答案 :)

【参考方案1】：

我快到了 - 所以，下面的内容尽可能接近您的原始想法（BigQuery 标准 SQL）

SELECT IFNULL(REGEXP_EXTRACT(final.CampaignName, r"(?: - .*?)2(.*?)(?: -|$)"), "Other") AS CampaignCategory

【参考方案2】：

使用以下模式和捕获组来隔离您真正想要提取的内容：

SAFE.REGEXP_EXTRACT(Final.CampaignName, r"[^-]+-[^-]+-\s*([^-]+?)\s*-") AS CampaignCategory

Demo

【参考方案3】：

您可以使用捕获组匹配第二个和第三个连字符之间的内容，并使用带有* 的重复模式将其余部分匹配为可选

\w+(?:\s+-\s+\w+)\s+-\s+(\w+(?: \w+)*)(?:\s+-\s+\w+)*

Regex demo

【参考方案4】：

如果正则表达式引擎支持\K（松散地，忘记到目前为止匹配的所有内容），可以使用以下正则表达式来匹配第二个和第三个连字符之间的文本。

^(?:[^-]+-)2\K[^-]+(?=-)

请注意，此正则表达式不包含捕获组。

Demo

这与第三个示例中的 Bar 不匹配，因为只有两个连字符。要匹配 Bar，只需删除前瞻 (?=-)。

正则表达式引擎执行以下操作。

^           match beginning of line
(?:[^-]+-)  match 1+ chars other than '-' followed by '-'
            in a non-capture group
2         execute non-capture group twice
\K          discard everything matched so far (reset the starting
            point of the reported match)
[^-]+       match 1+ chars other than '-'
(?=-)       match '-' in a positive lookahead

如果[^-] 不匹配换行符，请将其更改为[^-\r\n]。

如果不支持\K，则需要捕获组（并且不需要前瞻）：

^(?:[^-]+-)2([^-]+)-

【讨论】：

感谢您的解决方案和详尽的解释，Cary！

REGEXP_EXTRACT 支持捕获组，因此不需要您的第一种方法。

@Tim，我认为是这样，但由于包括您自己在内的其他人提供了使用捕获组的解决方案，我想我会提出一些不同的建议，主要是出于教育原因。

【参考方案5】：

如果可能，我总是更喜欢其他方式，而不是使用正则表达式。 因此，对于您的问题，我可以推荐该代码：

split(Final.CampaignName, ' - ')[safe_offset(2)]

您的示例数据示例：

select campaignName, split(campaignName, ' - ')[safe_offset(2)] as third_item
from unnest(['S - Oranges - Bar - Apples', 'S - Apples - Foo Bar - Oranges - Bananas', 'S - Apples - Bar']) as campaignName

输出如下所示：