python - 从 Google BigQuery 中过滤掉或替换非英文字符

Question

我正在从 Google Biqquery 中的查询中提取数据。我正在通过 python 脚本连接到 Google API，在 python 脚本中执行查询并将查询结果写入 CSV 文件。当我从脚本执行查询示例数据(100 行)时，一切看起来都很好。但是当我对整个数据执行脚本时，它失败了。

UnicodeEncodeError: 'ascii' 编解码器无法对位置 38 中的字符 u'\xe7' 进行编码:序号不在范围内 (128)

我看到这是一个 python 错误，但是当脚本试图处理具有非英文字符的记录时会发生这种情况。我在 Hive 中遇到了同样的问题，但我通过使用下面给出的 RLIKE 函数解决了这个问题

  (CASE WHEN FIELD1 not rlike '[^a-zA-Z()\\|\\d\\s\\(_)\\-\\(/):]' THEN FIELD1 ELSE 'data' END) AS FIELD1

Google BigQuery 中是否有类似的方法或功能来查找和替换非英文字符？或者，这可以在 python 脚本中处理吗？

代码片段:

job_id, _results = MY_CLIENT.query("""select FIELD1, FIELD2, FIELD3, FIELD4 FROM TABLE1""", use_legacy_sql=True)
complete, row_count = MY_CLIENT.check_job(job_id)
results = MY_CLIENT.get_query_rows(job_id)
outfile =  open('C:\\Users\\test.csv', 'w')
for row in results:
    for key in row.keys():
        if key == 'FIELD4':
            outfile.write("%s" %str(row[key]))
        else:
            outfile.write("%s," %str(row[key]))
    outfile.write("\n")
outfile.close()  

在此先感谢您的帮助!

Answer 1

您可以使用下面的命令来删除非 ascii 字符

REGEXP_REPLACE(field1, r'([^\p{ASCII}]+)', '')

下面是一个例子，你可以试试看它是如何工作的

#standardSQL
WITH `project.dataset.table` AS (
  SELECT '12 - Table - Стол - test' AS field1 UNION ALL
  SELECT '23 - Table - الطاولة' UNION ALL
  SELECT '34 - Table - שולחן' 
)
SELECT 
  REGEXP_REPLACE(field1, r'([^\p{ASCII}]+)', '') AS ascii_only,
  field1
FROM `project.dataset.table` 

结果

Row ascii_only          field1   
1   12 - Table - - test 12 - Table - Стол - test     
2   23 - Table -        23 - Table - الطاولة     
3   34 - Table -        34 - Table - שולחן