SparkSQL正则提取空格前子串：Athena正则迁移失效求助

我来帮你排查这个问题，其实核心是SparkSQL的REGEXP_EXTRACT函数的捕获组规则和你写的正则有两点不匹配：

• 首先，你用的正则'X10003([^\s]+)'里，括号只把X10003后面的部分圈成了捕获组，而SparkSQL的REGEXP_EXTRACT默认会提取第一个捕获组的内容，而不是整个正则匹配的结果。这就是为什么你得到的是-10447-XXX-20443开头的内容——它只取了X10003之后的部分。
• 其次，你提到结果包含(CAMP)，这大概率是因为你实际写的正则可能出错了（比如不小心用了.代替[^\s]+）。.会匹配任何字符包括空格，所以会一直匹配到字符串末尾；而[^\s]+是匹配所有非空格字符，应该会在遇到X10003后面的第一个空格时停止，不会包含后面的括号内容。

正确写法1：指定提取整个匹配结果（idx=0） #

REGEXP_EXTRACT("5570 - Site 811111 - X10003-10447-XXX-20443 (CAMP)", 'X10003[^\s]+', 0)

这里X10003[^\s]+的逻辑很直接：从X10003开始，匹配所有非空格字符直到第一个空格为止。最后指定第三个参数0，表示提取整个正则匹配的内容，而不是某个捕获组。

正确写法2：把目标内容放在捕获组里 #

REGEXP_EXTRACT("5570 - Site 811111 - X10003-10447-XXX-20443 (CAMP)", '(X10003[^\s]+)')

这次我们把整个想要的内容（X10003加上后面的非空格字符）放在一个捕获组里，因为REGEXP_EXTRACT默认提取第一个捕获组（参数idx默认是1），所以这样也能得到你需要的X10003-10447-XXX-20443。

另外补充下：你之前在Athena用的'X10033.*?\w+-\d+'其实逻辑不够精准，它依赖后续字符的格式来停止匹配，而用X10003[^\s]+的写法更直接贴合你的需求——明确提取到空格为止的内容。

内容的提问来源于stack exchange，提问作者shzyincu