如何从BigQuery逐行读取文本字段并提取动态位置的日期

如果PDF提取的文本里日期位置不固定，核心问题大概率是正则表达式没匹配到目标格式，或者没处理多行文本的情况。以下是针对不同场景的解决方案：

1. 匹配通用日期格式（无上下文关键词） #

BigQuery的正则默认是单行模式，无法匹配跨换行的内容，所以要先加(?s)开启单行模式，让.能匹配换行符。然后根据你的日期格式调整正则：

示例查询（覆盖常见格式） #

SELECT
  -- 匹配 MM/DD/YYYY 格式，比如 10/05/2024
  REGEXP_EXTRACT(text, r'(?s)\b(\d{2}/\d{2}/\d{4})\b') AS mm_dd_yyyy,
  -- 匹配 YYYY-MM-DD 格式，比如 2024-10-05
  REGEXP_EXTRACT(text, r'(?s)\b(\d{4}-\d{2}-\d{2})\b') AS yyyy_mm_dd,
  -- 匹配带月份名称的格式，比如 Oct 5, 2024 或 October 05, 2024
  REGEXP_EXTRACT(text, r'(?s)\b([A-Za-z]{3,9} \d{1,2}, \d{4})\b') AS month_name_date
FROM sample.file1

• \b是单词边界，避免匹配到长数字串中的部分日期（比如12345678里的23/45/6789）
• 如果有多个日期，用REGEXP_EXTRACT_ALL返回数组：

  SELECT
    REGEXP_EXTRACT_ALL(text, r'(?s)\b(\d{2}/\d{2}/\d{4}|\d{4}-\d{2}-\d{2}|[A-Za-z]{3,9} \d{1,2}, \d{4})\b') AS all_dates
  FROM sample.file1
  

2. 结合上下文关键词提取（更精准） #

如果日期前后有固定关键词（比如"Invoice Date:"、"签发日期："），直接匹配关键词+日期，能避免误提取：

示例（假设日期前有"开票日期："） #

SELECT
  REGEXP_EXTRACT(text, r'(?s)开票日期：\s*(\d{4}-\d{2}-\d{2})') AS invoice_date
FROM sample.file1

• \s*匹配任意数量的空格、换行，兼容关键词和日期之间的排版差异

3. 处理带时间的日期格式 #

如果日期包含时间（比如10/05/2024 14:30），调整正则兼容时间部分：

SELECT
  REGEXP_EXTRACT(text, r'(?s)\b(\d{2}/\d{2}/\d{4}(?: \d{2}:\d{2})?)\b') AS date_with_time
FROM sample.file1

• (?: ... )是非捕获组，避免把时间单独提取出来

注意事项 #

• 先通过SELECT text FROM sample.file1 LIMIT 5查看实际文本内容，确认日期的具体格式和上下文
• 如果日期格式有变体（比如带前导零/不带、分隔符是.而非-），对应调整正则里的分隔符和数字匹配规则

内容的提问来源于stack exchange，提问作者Balamurugan Gnanakumar