regex - BigQuery REGEXP_MATCH 和口音 : boundary wildcard fails?

Question

在 GAS 中，我可以将重音符号与具有边界字符的正则表达式正确匹配，例如\bà\b。字符 à 仅在它是一个单独的单词时才匹配。这适用于 GAS:

function test_regExp() {
  var str = "la séance est à Paris";
  var RegExp = "\\bà\\b";
  var PatReg= new RegExp( RegExp);
  var found=PatReg.exec(str);
  if (found) {
    Logger.log( [str.substring(0,found.index),found[0],str.substring(found[0].length+found.index)] );
  } else Logger.log("oops! Did not match");

在 BigQuery 中，如果边界字符位于重音旁边，则模式不匹配。\bséance\b 匹配降神会:

SELECT [row],etext,ftext FROM [hcd.hdctextx] WHERE (REGEXP_MATCH(ftext,"\\bséance\\b") ) LIMIT 100;

\bà\b 不匹配 à 作为一个词:

SELECT [row],etext,ftext FROM [hcd.hdctextx] WHERE (REGEXP_MATCH(ftext,"\\bà\\b") ) LIMIT 100;

我假设 BigQuery 与 GAS 不同，在边界字符集中包含重音符号。所以\bséance\b 可以工作，因为 é 可以作为该配置中的边界正常运行。\bà\b 或\bétranger\b 或\bmarché\b 不起作用，因为重音 +\b 被解释为\b\b，它从不匹配任何内容。 (好吧，我在这里捕获了稻草，因为我找不到更好的解释......除了一个错误。)

我不认为这是一个 unicode 问题，因为它只出现在边界位置。

因此，目前无法在这些特定的口音配置中使用边界。

有没有办法在 BigQuery 或其他修复程序中设置语言环境？

解决方法:将 (?:[^a-zA-Zéàïëâê]) 等替换为\b。

谢谢!

Answer 1

BigQuery 的行为对于 RE2 syntax documentation 来说是正确的. (这并不奇怪，因为 BigQuery 使用 RE2 来实现正则表达式。)

RE2的字符类是:

\b = at word boundary (\w on one side and \W, \A, or \z on the other)
\w = word characters (≡ [0-9A-Za-z_])
\W = not word characters (≡ [^0-9A-Za-z_])
\A = beginning of text
\z = end of text

换句话说，您只能使用\b 来匹配非重音字符的边界。不过，RE2 对 Unicode 字符有很多支持，因此您很可能可以使用诸如\pL 之类的东西来制作替代正则表达式。

我不确定为什么 Google Apps Script 不遵循 RE2 规范，但我会跟进该团队以了解发生了什么。