Impala正则表达式：查找带特定分隔符的目标字符序列

需求回顾 #

需要匹配字符串中符合以下规则的序列：

• 以~FC*开头
• 后续包含11个*（*之间可包含任意字母/数字，也可为空）
• 第12个*后紧跟Y~

问题分析 #

你之前的正则(~FC\\*).*(\\*Y~)存在三个问题：

1. .*是贪婪匹配，会覆盖多个目标序列，无法精准定位单个符合规则的片段
2. 未限制*的数量，无法保证刚好包含11个后续分隔符
3. 仅提取了第一个分组~FC*，而非整个匹配序列

解决方案 #

1. 提取第一个匹配项

使用regexp_extract，指定第三个参数为0（返回整个匹配内容），搭配精准正则：

select 
    regexp_extract(col_name, '~FC\\*(?:[^*]*\\*){11}Y~', 0) as pattern_found
from db.table
where id = 123456789
limit 1

执行后会返回第一个符合规则的完整序列：
~FC*C*IND*30*MC*blah blah fjdgfeufh*27*0*****Y~

2. 提取所有匹配项（Impala 2.5+支持）

如果需要提取所有符合规则的序列，使用regexp_extract_all函数，返回匹配结果数组：

select 
    regexp_extract_all(col_name, '~FC\\*(?:[^*]*\\*){11}Y~', 0) as all_patterns
from db.table
where id = 123456789
limit 1

执行后会返回包含两个匹配项的数组：
["~FC*C*IND*30*MC*blah blah fjdgfeufh*27*0*****Y~", "~FC*Z*IND*39*MC*jhlkfhfudfgsdkufgkusgfn*23*0*****Y~"]

正则说明 #

• ~FC\\*：匹配起始的~FC*，SQL中用\\*转义正则元字符*
• (?:[^*]*\\*){11}：非捕获组，重复11次「任意非*字符（可空）+ *」，确保后续刚好有11个分隔符*
• Y~：匹配第12个*后紧跟的Y~，严格符合规则

内容的提问来源于stack exchange，提问作者e.net