正则表达式

适用于： Databricks SQL Databricks Runtime

正则表达式（正则表达式）是描述一组字符串的模式。 多个Azure Databricks SQL 函数和运算符采用正则表达式来匹配、定位、计数、提取、替换或拆分文本：

• rlike 运算符和 regexp 运算符：测试字符串是否与模式匹配。
• regexp_like 函数：测试字符串是否与模式匹配。
• regexp_count 函数：计算模式匹配次数。
• regexp_instr 函数：返回第一个匹配的位置。
• regexp_substr 函数：返回第一个匹配的子字符串。
• regexp_extract 和 regexp_extract_all 函数：从第一个匹配项或所有匹配项返回捕获组。
• regexp_replace 函数：将匹配项替换为替换字符串。
• split 函数：围绕模式的匹配项拆分字符串。

like 和 ilike 运算符不使用正则表达式。 它们使用基于和%的更简单的模式语言_。

正则表达式引擎

Azure Databricks使用 Java java.util.regex 引擎计算正则表达式。 模式必须遵循Java正则表达式语法，该语法与 Perl 样式正则表达式广泛兼容，但在某些细节上有所不同。 有关完整的权威参考，请参阅JavaPattern类文档。

以下部分介绍最常用的构造。

字符类

定位点和边界

数量词

限定符指定上述元素必须匹配的次数。 默认情况下，限定符是 贪婪 和尽可能匹配。 追加 ? 以使限定符 不情愿 （尽可能少匹配），例如 .*?。

组和交替

内联标志

将标志置于模式的开头，以更改整个模式的匹配方式。

例如， (?i)ste(v\|ph)en 匹配 Steven项， steven无论 STEPHEN 大小写如何。

转义和字符串文本

若要匹配也是正则表达式元字符（例如.，、*、([或\）的字符，请在其前面加上反斜杠。 例如， \. 匹配文本句点，并 \\ 匹配文本反斜杠。

由于反斜杠也是普通 SQL 字符串文本中的转义字符，因此必须将要传递给正则表达式引擎的每个反斜杠加倍。 例如，若要将模式 \d+ 传递给函数，请将其 '\\d+' 写入常规字符串文本中。

若要避免这种双重转义，请使用禁用raw-literal转义字符预处理的（r前缀）。 在原始文本中，编写模式与正则表达式引擎预期完全相同：

-- 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

常见模式

以下模式涵盖频繁的任务。 它们被编写为 原始文本 ，以便反斜杠传递到正则表达式引擎不变。 电子邮件、URL 和 IP 模式是有意简单的插图，而不是严格的验证程序。

Word边界（\b）匹配整个word而不是子字符串：

-- '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

将文本前缀与限定符合并以提取结构化令牌，例如订单 ID：

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

选择正确的函数

使用此表选取与目标匹配的函数。

相关文章

• regexp 运算符
• regexp_count 函数
• regexp_extract 函数
• regexp_extract_all 函数
• regexp_instr 函数
• regexp_like 函数
• regexp_replace 函数
• regexp_substr 函数
• rlike 运算符
• split 函数
• STRING 类型