重复捕获pattern_X，然后捕获pattern_Y一次，然后重复直到EOS

小编典典

重复捕获pattern_X，然后捕获pattern_Y一次，然后重复直到EOS

all

我正在对一个庞大的 ETL 管道进行逆向工程，我想从存储过程和视图中提取完整的数据沿袭。

我正在努力使用以下正则表达式。

import re

select_clause = "`data_staging`.`CONVERT_BOGGLE_DATE`(`landing_boggle_replica`.`CUST`.`u_birth_date`) AS `birth_date`,`data_staging`.`CONVERT_BOGGLE_DATE`(`landing_boggle_replica`.`CUST`.`u_death_date`) AS `death_date`,(case when (isnull(`data_staging`.`CONVERT_BOGGLE_DATE`(`landing_boggle_replica`.`CUST`.`u_death_date`)) and (`landing_boggle_replica`.`CUST`.`u_cust_type` <> 'E')) then timestampdiff(YEAR,`data_staging`.`CONVERT_BOGGLE_DATE`(`landing_boggle_replica`.`CUST`.`u_birth_date`),curdate()) else NULL end) AS `age_in_years`,nullif(`landing_boggle_replica`.`CUST`.`u_occupationCode`,'') AS `occupation_code`,nullif(`landing_boggle_replica`.`CUST`.`u_industryCode`,'') AS `industry_code`,((`landing_boggle_replica`.`CUST`.`u_intebank` = 'Y') or (`sso`.`u_mySecondaryCust` is not null)) AS `online_web_enabled`,(`landing_boggle_replica`.`CUST`.`u_telebank` = 'Y') AS `online_phone_enabled`,(`landing_boggle_replica`.`CUST`.`u_hasProBank` = 1) AS `has_pro_bank`"

# this captures every occurrence of the source fields, but not the target
okay_pattern = r"(?i)((`[a-z0-9_]+`\.`[a-z0-9_]+`)[ ,\)=<>]).*?"

# this captures the target too, but captures only the first input field
wrong_pattern = r"(?i)((((`[a-z0-9_]+`\.`[a-z0-9_]+`)[ ,\)=<>]).*?AS (`[a-z0-9_]+)`).*?)"

re.findall(okay_pattern, select_clause)
re.findall(wrong_pattern, select_clause)

TLDR：我想捕捉

[aaa, bbb, XXX],
[eee, fff, ..., ooo, YYY],
[ppp, ZZZ]

从像这样的字符串

"...aaa....bbb...XXX....eee...fff...[many]...ooo... YYY...ppp...ZZZ...."

其中a,b,e,f,h匹配一个模式，X,Y,Z匹配另一个模式，第一个模式可能会出现多达 20 次，然后才会出现第二个模式，它总是单独出现。

我也对使用 , 或库的解决方案持开放sqlglot态度sql-metadata，sqlparse只是正则表达式有更好的文档记录。

（可能我在打代码，我应该分几个步骤来做，从将字符串拆分成单独的表达式开始。）

阅读 88

2022-08-29

共1个答案

小编典典

您可以将此正则表达式与 3 个捕获组和 1 个非捕获组一起使用：

(\w+)\.+(\w+)(?:\.+(\w+))?

正则表达式演示

代码：

import re
s = '...aaa....bbb...XXX....eee...fff...YYY...hhh...ZZZ....'
print (re.findall(r'(\w+)\.+(\w+)(?:\.+(\w+))?', s))

输出：

[('aaa', 'bbb', 'XXX'), ('eee', 'fff', 'YYY'), ('hhh', 'ZZZ', '')]

2022-08-29