BigQuery中用RE2正则表达式精准去除长单词末尾句号

需要去除句子中每个单词末尾的句号，但仅当该单词去掉末尾句号后的长度大于1时执行：

• 将“Spain.”改为“Spain”
• 保留“P.”不变
• 将“U.S.A.”改为“U.S.A”
• 将“S.S.”改为“S.S”

现有BigQuery代码对“Spain.”处理正常，但会错误地将“U.S.A.”修改为“US.A”，不符合预期，需适配各类带末尾句号的国家名或代码。

原错误代码 #

WITH
  t1 AS (
  SELECT
    'Spain. S.S. Spain.' sentence,
    'Spain S.S Spain' expected
  UNION ALL
  SELECT
    'U.S.A. S.S. Spain.',
    'U.S.A S.S Spain'
  UNION ALL
  SELECT
    'P. SMITH S.S. Spain.',
    'P. SMITH S.S Spain' )
SELECT
  sentence,
  REGEXP_REPLACE(sentence,r'(\w+)(\.)(.+)','\\1\\3') AS actual,
  expected
FROM
  t1;

问题分析 #

原正则表达式r'(\w+)(\.)(.+)'存在两处关键问题：

1. \w仅匹配纯单词字符（不包含.），无法识别“U.S.A.”这类含点的复合词
2. 匹配逻辑错误，会误替换复合词中间的句号，导致“U.S.A.”被破坏为“US.A”

解决方案 #

使用精准的正则表达式，仅替换非空白字符组成的长度≥2的序列末尾的句号（句号后为空格或字符串结尾），修改后的代码如下：

WITH
  t1 AS (
  SELECT
    'Spain. S.S. Spain.' sentence,
    'Spain S.S Spain' expected
  UNION ALL
  SELECT
    'U.S.A. S.S. Spain.',
    'U.S.A S.S Spain'
  UNION ALL
  SELECT
    'P. SMITH S.S. Spain.',
    'P. SMITH S.S Spain' )
SELECT
  sentence,
  REGEXP_REPLACE(sentence, r'(\S{2,})\.(?=\s|$)', '\\1') AS actual,
  expected
FROM
  t1;

正则规则说明 #

• \S{2,}：匹配至少2个非空白字符，涵盖包含.的复合词（如“U.S.A”“S.S”）
• \.：匹配目标末尾句号
• (?=\s|$)：正向断言，确保句号是单词的结尾（后面为空格或字符串结束）
• 替换为\1：保留匹配的字符序列，仅去掉末尾句号

修改后所有测试用例的实际输出将与预期完全一致。

内容的提问来源于stack exchange，提问作者dpl