文档首页>
MapReduce服务 MRS>
组件操作指南（LTS版）>
使用HetuEngine>
HetuEngine常见SQL语法说明>
HetuEngine SQL函数和操作符说明>
正则表达式函数
更新时间：2024-06-14 GMT+08:00
正则表达式函数
概述
所有的正则表达式函数都使用Java样式的语法。但以下情况除外：
- 使用多行模式（通过（？m）标志启用）时，只有\ n被识别为行终止符。 此外，不支持（？d）标志，因此不能使用。
- 大小写区分模式（通过（？i）标志启用）时，总是以unicode的模式去实现。同时，不支持上下文敏感匹配和局部敏感匹配。此外，不支持（？u）标志。
- 不支持Surrogate Pair编码方式。例如，\ uD800 \ uDC00不被视为U + 10000，必须将其指定为\ x {10000}。
- 边界字符（\b）无法被正确处理，因为它一个不带基字符的非间距标记。
- \Q和\E在字符类（如[A-Z123]）中不受支持，而是作为文本处理。
- 支持Unicode字符类（\ p {prop}），但有以下差异：
- 名称中的所有下划线都必须删除。例如，使用OldItalic而不是Old_Italic
- 必须直接指定脚本，不能带Is，script =或sc =前缀。示例：\ p {Hiragana}
- 必须使用In前缀指定块。不支持block =和blk =前缀。示例：\p{Mongolian}
- 必须直接指定类别，而不能带Is，general_category =或gc =前缀。示例：\p{L}
- 二进制属性必须直接指定，而不是Is。示例：\p{NoncharacterCodePoint}
函数
- regexp_count(string, pattern) → bigint
描述：返回字符串中pattern匹配的次数。
SELECT regexp_count('1a 2b 14m', '\s*[a-z]+\s*'); -- 3 - regexp_extract_all(string, pattern) -> array(varchar)
SELECT regexp_extract_all('1a 2b 14m','\d+');-- [1, 2, 14] - regexp_extract_all(string, pattern, group) -> array(varchar)
描述：当pattern包含多个分组时，用group指定返回满足被捕获分组的所有子串。
SELECT regexp_extract_all('1a 2b 14m','(\d+)([a-z]+)',2);-- [a, b, m] - regexp_extract(string, pattern) → varchar
SELECT regexp_extract('1a 2b 14m','\d+');-- 1 - regexp_extract(string, pattern, group) → varchar
描述：当pattern包含多个分组时，用group指定返回满足被捕获分组的第一个子字符串。
SELECT regexp_extract('1a 2b 14m','(\d+)([a-z]+)',2);-- 'a' - regexp_like(string, pattern) → boolean
描述：验证字符串是否包含满足正则表达式的子串，如果有，返回true。
SELECT regexp_like('1a 2b 14m','\d+b');-- true
- regexp_position(string, pattern) → integer
描述：返回字符串中pattern第一次匹配到的索引。没有匹配的项则返回-1。
SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges', '\b\d+\b'); -- 8 - regexp_position(string, pattern, start) → integer
描述：返回字符串从start（含start）开始pattern第一次匹配到的项的索引。没有匹配的项则返回-1。
SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges', '\b\d+\b', 5); -- 8 SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges', '\b\d+\b', 12); -- 19 - regexp_position(string, pattern, start, occurrence) → integer
描述：返回字符串中从索引start（含start）开始，pattern第occurrence次匹配到的项的索引。没有匹配的项则返回-1。
SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges','\b\d+\b',12,1);-- 19 SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges','\b\d+\b',12,2);-- 31 SELECT regexp_position('I have 23 apples, 5 pears and 13 oranges','\b\d+\b',12,3);-- -1 - regexp_replace(string, pattern) → varchar
SELECT regexp_replace('1a 2b 14m','\d+[ab] ');-- '14m' - regexp_replace(string, pattern, replacement) → varchar
描述：使用replacement替换目标字符串中满足正则表达式的子串。如果replacement中包含'$'字符，使用'\$' 进行转义。在替换中，可以对编号组使用$g引用捕获组，对命名组使用${name}引用捕获组。
SELECT regexp_replace('1a 2b 14m','(\d+)([ab]) ','3c$2 ');-- '3ca 3cb 14m' - regexp_replace(string, pattern, function) → varchar
描述：使用function替换与字符串中的正则表达式模式匹配的子字符串的每个实例。对于每个匹配，以数组形式传递的捕获组都会调用lambda表达式函数。捕获组号从1开始；整个匹配没有分组（如果需要，请用括号将整个表达式括起来）。
SELECT regexp_replace('new york','(\w)(\w*)',x->upper(x[1])||lower(x[2]));--'New York' - regexp_split(string, pattern) -> array(varchar)
描述：使用正则表达式模式拆分字符串并返回一个数组。尾随的空字符串被保留。
SELECT regexp_split('1a 2b 14m','\s*[a-z]+\s*');-- [1, 2, 14, ]
