在BigQuery中使用Regexp_extract从URL提取category后的数字字符串

首先，咱们先看看你之前写的正则哪里出问题了：
[^category/]+/([^/]+)/
这里的[^category/]+是一个否定字符集，它会匹配任何不包含c、a、t、e、g、o、r、y和/的字符，这完全不是你想要的逻辑——你需要的是先精准匹配到/category/这个固定片段，而不是排除这些字符。

正确的正则表达式写法 #

要实现通用提取，我们可以先定位到/category/，然后捕获它后面直到下一个/的所有数字字符串。在BigQuery的REGEXP_EXTRACT里，可以这样写：

REGEXP_EXTRACT(page_path, r'/category/([0-9]+)/')

如果要兼容数字后面直接是URL结尾的情况（比如/category/12345这种格式），可以调整成匹配到/或者字符串结尾：

REGEXP_EXTRACT(page_path, r'/category/([0-9]+)(?:/|$)')

正则逻辑解释 #

• r'/category/'：精准匹配/category/这个固定片段，r表示原始字符串，避免转义问题
• ([0-9]+)：捕获1个或多个数字，这就是我们要提取的目标内容
• (?:/|$)：非捕获组，匹配后面的/或者字符串结尾，确保即使数字是URL最后一部分也能被正确提取

测试你的示例URL #

用你给出的几个测试URL验证，结果完全符合预期：

• /cz/category/79478/productname → 提取出79478
• https://www.store.net/de/category/49448/productname → 提取出49448
• https://www.store.net/category/62448/productname → 提取出62448
• /category/79455/productname → 提取出79455

额外提示 #

如果你不确定目标内容是否全为数字，也可以用([^/]+)代替([0-9]+)，这样能捕获/category/之后到下一个/的任意字符串，但根据你的需求，用[0-9]+会更精准，避免捕获意外内容。

内容的提问来源于stack exchange，提问作者Marcin Stańczak