如何在BigQuery SQL中使用REGEXP_EXTRACT提取指定字符串片段

待处理示例字符串：b-12345_xx_aa_bbb_xsx-latam_jan_11_a12，目标是提取前4个下划线分隔的片段：b-12345、xx、aa、bbb。

核心正则逻辑 #

目标片段均为字符串开头按下划线_分割的前4个连续分段，正则匹配规则不需要考虑横杠、后续日期/版本类字符的干扰，核心匹配逻辑：

• 从字符串起始位置开始匹配
• 每个分段对应连续的非下划线字符，用捕获组标记
• 分段间固定匹配下划线分隔符
• 第四个分段后的所有剩余内容直接忽略，不做捕获

两种可直接运行的实现方式 #

方式1：复用同一正则提取全部分段（推荐，代码更简洁） #

BigQuery的REGEXP_EXTRACT支持指定提取第几个捕获组的内容，无需为每个分段单独写正则，统一正则为^([^_]+)_([^_]+)_([^_]+)_([^_]+)_.*$，示例代码：

WITH test_data AS (
  SELECT 'b-12345_xx_aa_bbb_xsx-latam_jan_11_a12' AS raw_str
)
SELECT
  raw_str,
  REGEXP_EXTRACT(raw_str, r'^([^_]+)_([^_]+)_([^_]+)_([^_]+)_.*$', 1, 1, '', 1) AS seg1, -- 返回b-12345
  REGEXP_EXTRACT(raw_str, r'^([^_]+)_([^_]+)_([^_]+)_([^_]+)_.*$', 1, 1, '', 2) AS seg2, -- 返回xx
  REGEXP_EXTRACT(raw_str, r'^([^_]+)_([^_]+)_([^_]+)_([^_]+)_.*$', 1, 1, '', 3) AS seg3, -- 返回aa
  REGEXP_EXTRACT(raw_str, r'^([^_]+)_([^_]+)_([^_]+)_([^_]+)_.*$', 1, 1, '', 4) AS seg4  -- 返回bbb
FROM test_data

参数说明：最后一个入参为捕获组序号，传几就返回对应括号内匹配到的内容。

方式2：单字段独立正则匹配（适合仅需提取个别分段的场景） #

如果不需要一次性提取4个分段，可以给每个目标写独立的短正则，逻辑更直观：

• 提取b-12345：REGEXP_EXTRACT(raw_str, r'^([^_]+)_')
• 提取xx：REGEXP_EXTRACT(raw_str, r'^[^_]+_([^_]+)_')
• 提取aa：REGEXP_EXTRACT(raw_str, r'^[^_]+_[^_]+_([^_]+)_')
• 提取bbb：REGEXP_EXTRACT(raw_str, r'^[^_]+_[^_]+_[^_]+_([^_]+)_')

匹配验证 #

以上两种写法都不会被后续字符串中包含的横杠、数字、下划线干扰，执行后返回的4个字段值完全匹配预期提取结果。

内容的提问来源于stack exchange，提问作者Jaffet León