Databricks中rip_fw提取base_fw的正则表达式逻辑问题排查

在Databricks中处理字段转换逻辑，现有字段rip_fw的取值示例如下：

• "LC.JO.P051S1-1250"
• "LF.030707 23:54-496"

业务需求为创建新字段base_fw，仅保留字段中点分隔的有效字母数字部分（如上述示例需得到"LC.JO.P051S1"、"LF.030707"），去除后续所有非字母数字的字符及内容。

编写的CASE语句代码未达到预期效果，代码如下：

CASE
  WHEN INSTR(rip_fw, '.') > 0 AND REGEXP_COUNT(rip_fw,'\\.') = 2 THEN 
    -- Strict match of three alphanumeric segments separated by dots
    REGEXP_EXTRACT(rip_fw, '^([A-Za-z0-9]+\\.[A-Za-z0-9]+\\.[A-Za-z0-9]+)', 1)

  WHEN INSTR(rip_fw, '.') > 0 AND REGEXP_COUNT(rip_fw,'\\.') = 1 THEN 
    REGEXP_EXTRACT(rip_fw, '^([A-Za-z0-9]+\\.[A-Za-z0-9]+)', 1)

  ELSE rip_fw
END AS base_fw

原代码存在以下问题导致不符合预期：

• 场景覆盖不全：仅适配字段包含1个或2个点的情况，若字段存在3个及以上点（如"AB.CD.EF.GH-123"），会直接返回原字段，无法提取有效部分。
• 逻辑冗余复杂：通过REGEXP_COUNT判断点的数量来分支处理，增加了代码复杂度，且容易遗漏边缘场景。
• 正则匹配局限性：每个分支的正则仅固定匹配对应段数的内容，无法灵活适配任意数量的点分隔有效段。

无需使用CASE分支，直接通过一个通用正则表达式即可实现需求，适配任意数量的点分隔有效字母数字段：

REGEXP_EXTRACT(rip_fw, '^([A-Za-z0-9]+(\\.[A-Za-z0-9]+)*)', 1) AS base_fw

正则说明 #

• ^：匹配字符串开头
• [A-Za-z0-9]+：匹配一个或多个字母数字字符（有效段的起始部分）
• (\\.[A-Za-z0-9]+)*：匹配0次或多次「点+字母数字段」的组合，适配任意数量的点分隔有效段
• 括号()：将需要提取的内容标记为捕获组，REGEXP_EXTRACT的第三个参数1表示提取第一个捕获组的内容

特殊场景处理 #

如果字段本身不包含点或没有后续非有效字符（如"ABC123"、"XY.ZW"），该正则会直接返回原字段内容，符合需求。

内容的提问来源于stack exchange，提问作者sayan nandi