BigQuery中REGEXP_SUBSTR返回捕获组而非完整匹配的问题求助

出错原因 #

BigQuery的REGEXP_SUBSTR函数有个默认行为：当正则表达式里包含捕获组（用()包裹的部分）时，它会返回第一个捕获组的匹配结果，而不是整个正则的完整匹配内容。你写的正则里( - | a | to |-|a|to)是一个捕获组，所以函数只返回了这个组里匹配到的-，而非你需要的完整8-15。

解决办法 #

把捕获组改成非捕获组即可，非捕获组用(?:...)包裹，它只会参与匹配逻辑，不会被当作捕获组返回。修改后的SQL如下：

WITH example AS (
SELECT
"Bgfks Falda Tutú De Tul De 5 Capas Para Niñas Con Moño Para El Pelo, Falda Tutú Para Niños - 8-15 Years Old - Rosado" AS name
)
SELECT REGEXP_SUBSTR(LOWER(name),r"[0-9]{1,2}(?: - | a | to |-|a|to)[0-9]{1,2}") as AGE_RANGE FROM example

额外优化 #

你正则里的连接模式有重复选项（比如a和a），可以简化成更简洁的写法，自动处理空格的情况，兼容所有你提到的格式：

WITH example AS (
SELECT
"Bgfks Falda Tutú De Tul De 5 Capas Para Niñas Con Moño Para El Pelo, Falda Tutú Para Niños - 8-15 Years Old - Rosado" AS name
)
SELECT REGEXP_SUBSTR(LOWER(name),r"[0-9]{1,2}(?:\s*(?:-|a|to)\s*)[0-9]{1,2}") as AGE_RANGE FROM example

这个正则里的\s*表示匹配0个或多个空格，能同时匹配1-10、1 - 10、1to10、1 to 10、1a10、1 a 10这些格式。

内容的提问来源于stack exchange，提问作者DART