REGEXP_REPLACE Snowflake 中以特定子字符串开始和结束的字符串
REGEXP_REPLACE Strings Starting and Ending with Specific Substrings in Snowflake
我正在尝试在 Snowflake 的视图中创建一个列，用于替换我不关心的字符串之间的任何字符串。
这主要是为了从文本中去除 html 格式。
例如：
<ul>
<li>Text I care about 1
<li>Text I care about 2</li>
<li>Text I care about 3</li>
</ul>
最终应该是这样的：
Text I care about 1
Text I care about 2
Text I care about 3
根据我看到的模式，我认为如果我可以消除任何以 < 开头并以 > 结尾的字符串，我应该能够实现我正在寻找的结果。
在不同的网站上测试似乎表达
REGEXP_REPLACE(originaltext, '<.+?>','') 应该可以工作，但是在 Snowflake 中尝试时，它似乎在某些情况下切断了最后一个 'Text I care about'，而在其他情况下根本没有显示任何结果。我不确定所使用的 regex snowflake 版本是否存在语法差异或其他问题，但如有任何建议，我们将不胜感激。
不优雅，但如果您知道要删除的所有特殊编码，也许您可以像这样列出它们？
select REGEXP_REPLACE('<li>Text I care about 3</li>', '(<)|(li>)|(/li>)','')
您的正则表达式有效，但它需要环顾四周。
set sample1 = '<ul>';
set sample2 = '<li>Text I care about 1';
set sample3 = '<li>Text I care about 2</li>';
set sample4 = '<li>Text I care about 3</li>';
set sample5 = '</ul>';
select regexp_replace2($SAMPLE1,'<.+?>','');
select regexp_replace2($SAMPLE2,'<.+?>','');
select regexp_replace2($SAMPLE3,'<.+?>','');
select regexp_replace2($SAMPLE4,'<.+?>','');
select regexp_replace2($SAMPLE5,'<.+?>','');
我编写了一个支持正则表达式环视的 UDF 库。它试图在支持 lookarounds 的同时近似内置的 Snowflake 正则表达式函数。 UDF 的名称与 SQL 示例中所示的带有后缀“2”的内置正则表达式函数相同。
https://github.com/GregPavlik/SnowflakeUDFs/tree/main/RegularExpressions
您面临的挑战是您使用的是 LAZY 量词 (.+?)，而根据我们的 docs，Snowflake 不支持它：
Patterns support the full POSIX ERE (Extended Regular Expression) syntax. For details, see the POSIX basic and extendedsection (in Wikipedia).
维基百科 link 显示 LAZY NOT 包含在 ERE 标准中，但它是扩展吗。
在您的情况下，您可以使用 REGEXP_SUBSTR，如下所示：
SELECT REGEXP_SUBSTR('<li>Text I care about 1</li>', '(\w+\s)+\d');
输出如下：
Text I care about 1
但这需要您的数据具有特定模式。
我正在尝试在 Snowflake 的视图中创建一个列，用于替换我不关心的字符串之间的任何字符串。
这主要是为了从文本中去除 html 格式。 例如：
<ul>
<li>Text I care about 1
<li>Text I care about 2</li>
<li>Text I care about 3</li>
</ul>
最终应该是这样的：
Text I care about 1
Text I care about 2
Text I care about 3
根据我看到的模式，我认为如果我可以消除任何以 < 开头并以 > 结尾的字符串，我应该能够实现我正在寻找的结果。
在不同的网站上测试似乎表达
REGEXP_REPLACE(originaltext, '<.+?>','') 应该可以工作，但是在 Snowflake 中尝试时，它似乎在某些情况下切断了最后一个 'Text I care about'，而在其他情况下根本没有显示任何结果。我不确定所使用的 regex snowflake 版本是否存在语法差异或其他问题，但如有任何建议，我们将不胜感激。
不优雅，但如果您知道要删除的所有特殊编码，也许您可以像这样列出它们？
select REGEXP_REPLACE('<li>Text I care about 3</li>', '(<)|(li>)|(/li>)','')
您的正则表达式有效，但它需要环顾四周。
set sample1 = '<ul>';
set sample2 = '<li>Text I care about 1';
set sample3 = '<li>Text I care about 2</li>';
set sample4 = '<li>Text I care about 3</li>';
set sample5 = '</ul>';
select regexp_replace2($SAMPLE1,'<.+?>','');
select regexp_replace2($SAMPLE2,'<.+?>','');
select regexp_replace2($SAMPLE3,'<.+?>','');
select regexp_replace2($SAMPLE4,'<.+?>','');
select regexp_replace2($SAMPLE5,'<.+?>','');
我编写了一个支持正则表达式环视的 UDF 库。它试图在支持 lookarounds 的同时近似内置的 Snowflake 正则表达式函数。 UDF 的名称与 SQL 示例中所示的带有后缀“2”的内置正则表达式函数相同。
https://github.com/GregPavlik/SnowflakeUDFs/tree/main/RegularExpressions
您面临的挑战是您使用的是 LAZY 量词 (.+?)，而根据我们的 docs，Snowflake 不支持它：
Patterns support the full POSIX ERE (Extended Regular Expression) syntax. For details, see the POSIX basic and extendedsection (in Wikipedia).
维基百科 link 显示 LAZY NOT 包含在 ERE 标准中，但它是扩展吗。
在您的情况下，您可以使用 REGEXP_SUBSTR，如下所示：
SELECT REGEXP_SUBSTR('<li>Text I care about 1</li>', '(\w+\s)+\d');
输出如下：
Text I care about 1
但这需要您的数据具有特定模式。