hetu-core/hetu-docs/zh/functions/regexp.md

正则表达式函数

所有正则表达式函数都使用Java模式语法，但有一些值得注意的例外：

• 当使用多行模式（通过(?m)标志启用）时，仅将\n识别为行终止符。此外，不支持(?d)标志，不得使用该标志。
• 不区分大小写的匹配（通过(?i)标志启用）始终以支持Unicode的方式执行。不过，不支持上下文相关和局部相关的匹配。此外，不支持(?u)标志，不得使用该标志。
• 不支持代理项对。例如，\uD800\uDC00不被视为U+10000，必须将其指定为\x{10000}。对于没有基字符的不占位标记，会错误地处理边界(\b)。
• 在字符类（如[A-Z123]）中不支持\Q和\E，而应将其视为字面量。
• 支持Unicode字符类(\p{prop})，但有如下差异：
  • 必须删除名称中的所有下划线。例如，使用OldItalic代替Old_Italic。
  • 必须直接指定脚本，而不使用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，而不使用Is、general_category=或gc=前缀。示例：\p{L}
  • 必须直接指定二进制属性，而不使用Is。示例：\p{NoncharacterCodePoint}

regexp_extract_all(string, pattern) -> array(varchar)

返回正则表达式pattern在string中匹配的子字符串：

SELECT regexp_extract_all('1a 2b 14m', '\d+'); -- [1, 2, 14]

regexp_extract_all(string, pattern, group) -> array(varchar)

查找string中出现的所有正则表达式pattern实例并返回捕获组编号group：

SELECT regexp_extract_all('1a 2b 14m', '(\d+)([a-z]+)', 2); -- ['a', 'b', 'm']

regexp_extract(string, pattern) -> varchar

返回正则表达式pattern在string中匹配的第一个子字符串：

SELECT regexp_extract('1a 2b 14m', '\d+'); -- 1

regexp_extract(string, pattern, group) -> varchar

查找string中出现的第一个正则表达式pattern实例并返回捕获组编号group：

SELECT regexp_extract('1a 2b 14m', '(\d+)([a-z]+)', 2); -- 'a'

regexp_like(string, pattern) -> boolean

计算正则表达式pattern并确定它是否包含在string中。

该函数与LIKE运算符类似，不过只需在string中包含模式，而无需匹配整个string。换句话说，该函数执行的是包含运算，而不是匹配运算。可以通过使用^和$定位模式来匹配整个字符串：

SELECT regexp_like('1a 2b 14m', '\d+b'); -- true

regexp_replace(string, pattern) -> varchar

从string中删除由正则表达式pattern匹配的子字符串的每个实例：

SELECT regexp_replace('1a 2b 14m', '\d+[ab] '); -- '14m'

regexp_replace(string, pattern, replacement) -> varchar

将string中由正则表达式pattern匹配的子字符串的每个实例替换为replacement。可以使用$g（对于编号的组）或${name}（对于命名的组）在replacement中引用捕获组。替换时，可以通过使用反斜杠(\$)进行转义来包含美元符号($)：

SELECT regexp_replace('1a 2b 14m', '(\d+)([ab]) ', '3c$2 '); -- '3ca 3cb 14m'

regexp_replace(string, pattern, function) -> varchar

使用function替换string中由正则表达式pattern匹配的子字符串的每个实例。会针对每个匹配项调用lambda expression <lambda> function，其中以数组形式传入捕获组。捕获组编号从1开始；整个匹配没有组（如果需要，可以使用圆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)

使用正则表达式pattern拆分string并返回一个数组。保留尾随空字符串：

SELECT regexp_split('1a 2b 14m', '\s*[a-z]+\s*'); -- [1, 2, 14, ]