Question

我的列中包含许多不一致的字符串。其中一些包含一个具有一致模式'2015mmdd_AB_CD_EFG_(text)_(text)_HIJ'的子字符串，我想提取它。我觉得这是regexp和子串命令的交叉情况。

到目前为止，我最好的方法是相当丑陋

substring(col_name, '........_.._.._..._.+_.+_...')

不会根据需要结束输出，输出就像＆＃39;（...）_ HIJ_blablabla＆＃39;。

在这种情况下，如何有效地组合模式识别和子串选择？

Answer 1

假设2015mmdd实际上意味着某种“日期”，以便真实数据包含例如20150713以下内容将：

substring(col_name, '[0-9]{8}_[A-Z]{2}_[A-Z]{2}_[A-Z]{3}_\([a-z]+\)_\([a-z]+\)')

这将返回以8个数字后跟下划线开头的子字符串，后跟两个大写字符后跟一个下划线后跟两个大写字符，后跟一个下划线后跟三个大写字符，后跟一个下划线后跟一个左括号接着是一个小写字母，后面是一个右括号，后跟一个下划线，后面是一个左括号，后跟至少一个小写字符，后跟一个右括号。

如果2015mmdd确实意味着2015后跟字符串mmdd，那么您需要这样：

substring(col_name, '[0-9]{4}mmdd_[A-Z]{2}_[A-Z]{2}_[A-Z]{3}_\([a-z]+\)_\([a-z]+\)')