Snowflake中使用REGEXP_REPLACE移除指定首尾子串实现HTML格式剥离

问题根源 #

Snowflake正则默认有两个特性和多数其他平台不一致，直接导致原有表达式失效：

• 元字符.默认不匹配换行符，当HTML标签之间或标签内部存在换行时，原有非贪婪匹配逻辑会出现匹配范围偏差，最终导致文本截断或无返回
• 部分特殊空白字符会干扰.+?的非贪婪边界判断，出现匹配异常

最优解决方案 #

优先使用排除字符组的写法，不需要修改正则匹配参数，兼容性更好：

REGEXP_REPLACE(originaltext, '<[^>]+>', '')

语法说明：[^>]+会匹配所有不等于>的连续字符，不受换行符限制，天然适配各种换行场景的HTML标签匹配。 #

兼容原有写法的调整方案 #

如果要保留原有非贪婪匹配的写法，需要额外追加s参数开启DOTALL模式，让.可以匹配换行符：

REGEXP_REPLACE(originaltext, '<.+?>', '', 1, 0, 's')

参数说明：

• 第4个参数1：表示从文本第1位开始匹配
• 第5个参数0：表示替换所有匹配到的结果
• 第6个参数s：开启DOTALL模式，允许.匹配换行符

额外优化（可选） #

如果需要去除剥离标签后产生的多余空行，可以嵌套一层正则替换连续换行：

REGEXP_REPLACE(REGEXP_REPLACE(originaltext, '<[^>]+>', ''), '\\n\\s*\\n', '\\n')

效果验证 #

输入示例：

<ul>
<li>Text I care about 1
<li>Text I care about 2</li>
<li>Text I care about 3</li>
</ul>

输出结果：

Text I care about 1
Text I care about 2
Text I care about 3

内容的提问来源于stack exchange，提问作者kanderson