Presto SQL 使用REGEXP_EXTRACT提取特定字符串后内容出错如何解决

问题根因 #

• 未指定捕获组序号时，REGEXP_EXTRACT默认返回正则匹配到的完整字符串，所以会把前缀的问题描述也一起返回
• 原有正则末尾的(?=)是无匹配规则的正向零宽断言，惰性匹配.*?遇到该断言会直接终止匹配，无法获取到后续的地点内容

修正写法 #

写法1（适用于Hive、Spark SQL、BigQuery等绝大多数支持正则的SQL引擎） #

指定捕获组序号为1，仅返回需要的地点部分：

LTRIM(RTRIM(REGEXP_EXTRACT(description_text, 'What is your vendor location\\?:\\s*(.*?)(?=\\n|$)', 1))) AS vendor_location

说明：正则中的\\s*会自动匹配冒号后的所有空格，(?=\\n|$)表示匹配到换行符或者字符串末尾就停止，哪怕后续还有其他表单字段也不会错误截取。

写法2（零宽断言版本，无需指定捕获组） #

如果所用SQL环境不支持REGEXP_EXTRACT的第三个捕获组参数，可以用正向后顾断言直接定位到前缀之后的内容：

LTRIM(RTRIM(REGEXP_EXTRACT(description_text, '(?<=What is your vendor location\\?:\\s).*?(?=\\n|$)'))) AS vendor_location

内容的提问来源于stack exchange，提问作者Talita Oliveira