Google BigQuery：统计含匹配指定正则文本的唯一task_id数量

首先明确需求：统计至少有一条text字段匹配纯字母正则表达式的唯一task_id数量。针对你的表数据，正确结果应为3（task_id=2、3、4）。

正确查询方法1：使用EXISTS子查询 #

这种方式直接检查每个task_id是否存在符合条件的记录，逻辑清晰：

SELECT COUNT(DISTINCT task_id) AS qualified_task_count
FROM `<table_name>` t1
WHERE EXISTS (
  SELECT 1
  FROM `<table_name>` t2
  WHERE t2.task_id = t1.task_id
    AND REGEXP_CONTAINS(t2.text, r"\\b[a-zA-Z]+\\b")
)

说明：

• REGEXP_CONTAINS用于判断字段是否匹配正则，比REGEXP_EXTRACT_ALL更适合“存在匹配”的场景
• 正则中的\b在BigQuery SQL里需要转义为\\b，否则会被解析为普通字符

正确查询方法2：分组后用HAVING过滤 #

通过分组task_id，统计每个分组内符合条件的记录数，再筛选出有至少1条符合条件的分组：

SELECT COUNT(*) AS qualified_task_count
FROM (
  SELECT task_id
  FROM `<table_name>`
  GROUP BY task_id
  HAVING COUNTIF(REGEXP_CONTAINS(text, r"\\b[a-zA-Z]+\\b")) >= 1
)

说明：

• COUNTIF统计分组内满足正则匹配的记录数，只要数量≥1，该task_id就符合要求
• 外层查询统计符合条件的分组数量，即唯一task_id的数量

你原查询的问题 #

1. 子查询语法错误：WHERE后不能直接返回多字段的子查询，且子查询未关联主表
2. 未正确判断匹配：使用REGEXP_EXTRACT_ALL返回的是匹配结果数组，无法直接作为条件
3. 缺少分组逻辑：没有按task_id分组来判断每个任务是否存在符合条件的记录

内容的提问来源于stack exchange，提问作者eng2019