正则表达式支持的函数列表
| 函数 | 说明 |
|---|
| RLIKE | 用于检查一个字符串是否符合指定的正则表达式模式。 |
| REGEXP_EXTRACT | 利用指定的正则表达式（regexp）从输入字符串（str）中提取匹配的文本。 |
| REGEXP_EXTRACT_ALL | 用于从字符串中提取与正则表达式匹配的所有子串。 |
| REGEXP_REPLACE | 用于在字符串 str 中查找所有匹配正则表达式 regexp 的子字符串，并将它们替换为指定的字符串 rep。 |
使用说明
Lakehouse 使用的正则表达式引擎是 re2。
- POSIX字符组：允许使用如
[[:alnum:]]
[[:alnum:]]
这样的字符组。
- 反斜杠序列：包括
\d
\d
（数字）、\D
\D
（非数字）、\s
\s
（空白字符）、\S
\S
（非空白字符）、\w
\w
（单词字符）、\W
\W
（非单词字符）、\b
\b
（单词边界）和\B
\B
（非单词边界）。
- POSIX通配符：如
.
.
（匹配任意单个字符）和*
*
（匹配前一个元素的零次或多次出现）。
- Unicode支持：所有正则表达式函数均支持Unicode字符。
转义字符的处理
在 SQL 语句中使用字符串常量时，如果包含反斜杠序列或元字符（如
\d
\d
、
\s
\s
、
*
*
、
?
?
），这些转义字符会被自动转义。例如，
SELECT '\\' AS col;
SELECT '\\' AS col;
的输出将是
\
\
。对于表中实际存储的值为
\\
\\
的情况，不会发生转义，只有字符串常量会经历这种转义。
因此，当编写需要匹配这些特殊序列的正则表达式时，需要添加额外的转义字符。例如：
-- 在字符串常量中，反斜杠序列会被自动转义
SELECT '\\\\' as col1, '\\' as col2;
+------+------+
| col1 | col2 |
+------+------+
| \\ | \ |
+------+------+
-- 如果在表中存储的是\\，则不会有自动转义的情况
CREATE TABLE test_regex(col STRING);
INSERT INTO test_regex VALUES('\\');
SELECT * FROM test_regex;
+-----+
| col |
+-----+
| \\ |
+-----+
使用正则表达式进行匹配时，需要对含有反斜杠序列或元字符的字符串进行转义：
SELECT col, RLIKE(col, '\\\\') FROM test_regex;
+-----+---------------------+
| col | RLIKE(col, '\\\\') |
+-----+---------------------+
| \\ | TRUE |
+-----+---------------------+
字符串前缀 r 的使用
为了避免在不确定何时需要转义的情况下手动处理转义字符，Lakehouse 支持在字符串前添加
r
r
前缀，表示
字符串 中的转义字符不会被转义，可以直接输入到正则表达式中运行。这样，用户可以像编写普通正则表达式一样，而不必担心 SQL 引擎的转义问题。例如：
-- 使用r前缀与表中的数据进行匹配
SELECT col, RLIKE(col, r'\\') FROM test_regex;
+-----+---------------------+
| col | RLIKE(col, '\\\\') |
+-----+---------------------+
| \\ | TRUE |
+-----+---------------------+
-- 使用r前缀匹配字符串常量
SELECT RLIKE(r'%SystemDrive%\Users\John', r'%SystemDrive%\\Users.*') as res;
+------+
| res |
+------+
| TRUE |
+------+
--不使用r前缀的正则匹配
SELECT r'%SystemDrive%\Users\John' rlike '%SystemDrive\\\\\Users.*';
+------+
| res |
+------+
| true |
+------+
通过使用
r
r
前缀，Lakehouse 简化了正则表达式的使用，使得文本匹配和数据处理更加直观和高效。
