请求分步解析Redshift中提取URL域名的正则表达式

先看整体SQL逻辑：

REPLACE(REGEXP_SUBSTR(url,'//[^/\\\,=\\@\\+]+\\.[^/:;,\\\\\\(\\)]+'),'//','')

先用REGEXP_SUBSTR从url字段里匹配出带//前缀的域名片段，再用REPLACE把开头的//删掉，得到纯域名。

下面分步拆解核心的正则表达式：//[^/\\\,=\\@\\+]+\\.[^/:;,\\\\\\(\\)]+

• 第一部分：//
  直接匹配URL里协议（比如http/https）后的双斜杠分隔符，定位域名的起始位置。

• 第二部分：[^/\\\,=\\@\\+]+

  • [^...]是反向字符集，和你了解的正向字符集[]相反，意思是匹配不在这个集合里的任意单个字符
  • 里面的\\/、\\,、\\=、\\@、\\+都是转义后的特殊字符：因为/、,、=、@、+要么在正则里有特殊含义，要么需要精确匹配，所以用\\转义
  • 末尾的+是量词，表示前面的字符集要匹配至少1次
    合起来就是：匹配一段至少1个字符的内容，这段内容里不能包含/、,、=、@、+，用来抓取域名的主体部分（比如www.example里的www）。

• 第三部分：\\.
  匹配域名里的点号（比如www.example里的.）。因为.在正则里是通配符（匹配任意单个字符），所以必须用\\转义成普通的点号来精确匹配。

• 第四部分：[^/:;,\\\\\\(\\)]+

  • 同样是反向字符集搭配+量词
  • 里面的\\/、\\:、\\;、\\,、\\\\、\\(、\\)都是转义后的特殊字符，对应禁止出现的/、:、;、,、\、(、)
    合起来就是：匹配一段至少1个字符的域名后缀（比如example.com里的com），直到遇到上述禁止字符为止。

举个实际例子：如果URL是https://www.example.com/path?param=1，正则会匹配到//www.example.com，再经过REPLACE去掉//，最终得到www.example.com。

内容的提问来源于stack exchange，提问作者macromind