dbt SQL宏中Regexp_replace处理德语变音符号的首字母大写问题咨询

问题出在原正则中的\w仅匹配ASCII字母、数字和下划线，不包含德语变音符号ä、ö、ü。当字符串中出现这类变音符号时，正则会将其视为非单词字符，导致后续的字母被误判为新单词的首字母，触发不必要的大写（比如schöneberger里的ö后接的n被当成新单词开头，变成N）。

修改方案 #

根据你使用的数据仓库（Snowflake、PostgreSQL、BigQuery等），可以选择以下两种适配性更强的写法：

方案1：使用Unicode字母字符类（推荐）

利用[:alpha:]（部分方言）或\p{L}（Unicode标准）匹配所有字母，包括德语变音符号：

-- 适用于PostgreSQL、Snowflake等支持Unicode正则的仓库
regexp_replace(
    name_column,
    '([[:alpha:]])([[:alpha:]]*)',
    x -> upper(x[1]) || lower(x[2]),
    'g'
)

如果你的数据仓库支持\p{L}（比如Snowflake），也可以写成：

regexp_replace(
    name_column,
    '(\\p{L})(\\p{L}*)',  -- dbt中反斜杠需转义为双反斜杠
    x -> upper(x[1]) || lower(x[2]),
    'g'
)

方案2：显式包含德语变音符号

如果数据仓库不支持Unicode字符类，可以直接在正则中指定包含äöü的字符范围：

regexp_replace(
    name_column,
    '([a-zA-ZäöüÄÖÜ])([a-zA-ZäöüÄÖÜ]*)',
    x -> upper(x[1]) || lower(x[2]),
    'g'
)

效果验证 #

输入schöneberger时，以上代码都会输出预期的Schöneberger，不会出现中间字母被误大写的情况。

扩展：处理多单词姓名 #

如果需要处理带空格、连字符的姓名（比如van der schöneberger），可以调整正则匹配单词边界，确保每个单词首字母大写：

regexp_replace(
    name_column,
    '(^|[^[:alpha:]])([[:alpha:]])([[:alpha:]]*)',
    x -> x[1] || upper(x[2]) || lower(x[3]),
    'g'
)

这样输入van der schöneberger会输出Van Der Schöneberger。

内容的提问来源于stack exchange，提问作者DataVE