Standard SQL(Google BigQuery)：如何提取URL中特定字符之前的内容

你存储URL的Landing Page字段可以通过BigQuery内置的正则函数实现需求，具体操作如下：

核心实现代码 #

使用REGEXP_EXTRACT函数匹配开头到引号/乱码前的内容：

SELECT
  -- 提取从开头到第一个双引号/非ASCII乱码前的所有字符
  REGEXP_EXTRACT(`Landing Page`, r'^[^"\\x80-\\xff]+') AS cleaned_landing_url
FROM `你的项目名.你的数据集名.你的表名`

规则说明 #

• 正则r'^[^"\\x80-\\xff]+'逻辑：
  • ^ 锚定匹配字符串开头，避免中间匹配
  • [^"\\x80-\\xff] 匹配不属于以下两类的所有字符：
    • 双引号"，如果你的截断标识是单引号，可替换为'
    • 十六进制ASCII码\x80到\xff对应字符，也就是所有非标准ASCII的乱码、多字节语言字符等
  • + 匹配连续多个符合规则的字符
• 如果需要调整截断位置，只需要把对应要排除的字符加入[^...]的规则集合中即可

测试验证示例 #

假设原始Landing Page值为https://www.test.com/product/123?cid=abc"乱码后缀xxx，运行上述SQL后得到的cleaned_landing_url结果为https://www.test.com/product/123?cid=abc，符合截断需求。

内容的提问来源于stack exchange，提问作者MatmataHi