Регулярные выражения

Область применения: Databricks SQL Databricks Runtime

Регулярное выражение (regex) — это шаблон, описывающий набор строк. Несколько Azure Databricks функций и операторов SQL принимают регулярное выражение для сопоставления, поиска, подсчета, извлечения, замены или разделения текста:

• Оператор rlike и оператор regexp : проверьте, соответствует ли строка шаблону.
• функция regexp_like : проверьте, соответствует ли строка шаблону.
• функция regexp_count : подсчитывать количество совпадений шаблона.
• функция regexp_instr : возвращает положение первого совпадения.
• функция regexp_substr : возвращает первую соответствующую подстроку.
• regexp_extract и regexp_extract_all функции: возвращают группу отслеживания из первого совпадения или из всех совпадений.
• функция regexp_replace : замените совпадения строкой замены.
• функция split : разделение строки вокруг совпадений шаблона.

Операторы like и ilikeне используют регулярные выражения. Они используют более простой язык шаблонов на _ основе и %.

Обработчик regex

Azure Databricks вычисляет регулярные выражения с помощью подсистемы Javajava.util.regex. Шаблоны должны соответствовать синтаксису регулярного выражения Java, который широко совместим с регулярными выражениями в стиле Perl, но отличается в некоторых деталях. Полный и достоверный справочник см. в документации по Java Pattern классам.

В следующих разделах описаны наиболее часто используемые конструкции.

Категории знаков

Привязки и границы

Квантификаторы

Квантификаторы указывают, сколько раз должен соответствовать предыдущий элемент. По умолчанию квантификаторы жадны и соответствуют как можно больше. Добавьте ? , чтобы сделать квантификатор неохотно (совпадение как можно меньше), например .*?.

Группы и изменение

Встроенные флаги

Поместите флаг в начало шаблона, чтобы изменить соответствие всего шаблона.

Например, (?i)ste(v\|ph)en совпадения Stevenstevenи STEPHEN независимо от регистра.

Экранирование и строковые литералы

Чтобы сопоставить символ, который также является метачарактером regex (например., , *(, [или\), предшествует ему с обратной косой чертой. Например, \. соответствует литераловой точке и \\ соответствует литеральной обратной косой черте.

Так как обратная косая черта также является escape-символом в обычных строковых литералах SQL, необходимо удвоить каждую обратную косую черту, которую вы планируете передать в обработчик regex. Например, чтобы передать шаблон \d+ функции, запишите его как '\\d+' в обычном строковом литерале.

Чтобы избежать этого двойного обхода, используйте префиксraw-literal (rпрефикс), который отключает препроцессирование escape-символов. В необработанном литерале напишите шаблон точно так же, как ожидает его обработчик regex:

-- Regular string literal: backslashes must be doubled.
> SELECT regexp_substr('item 42 in stock', '\\d+');
 42

-- Raw literal: write the pattern as-is.
> SELECT regexp_substr('item 42 in stock', r'\d+');
 42

Распространенные шаблоны

В следующих шаблонах рассматриваются частые задачи. Они написаны как необработанные литералы , чтобы обратные очки проходили через обработчик regex без изменений. Шаблоны электронной почты, URL-адреса и IP-адресов — это намеренно простые иллюстрации, а не строгие проверяющие элементы.

Word границы (\b) соответствуют всему word, а не подстроку:

-- 'cat' as a standalone word
> SELECT 'the cat sat on the mat' rlike r'\bcat\b';
 true

-- 'cat' only as part of a larger word
> SELECT 'category' rlike r'\bcat\b';
 false

Объедините литеральный префикс с квантификатором для извлечения структурированного маркера, например идентификатора заказа:

> SELECT regexp_substr('Ref: ORD-12345 shipped on 2024-03-15', r'ORD-\d+');
 ORD-12345

Выбор правильной функции

Используйте эту таблицу, чтобы выбрать функцию, соответствующую цели.

Связанные статьи

• regexp оператор
• regexp_count функция
• regexp_extract функция
• regexp_extract_all функция
• regexp_instr функция
• regexp_like функция
• regexp_replace функция
• regexp_substr функция
• rlike оператор
• split функция
• типа STRING