MaxCompute中如何处理异常字符

原创
06/14 14:26
阅读数 1.2K

背景

在处理数据时,当业务数据同步至MaxCompute后,会产生一些含异常字符的脏数据,比如字段中包含了一个不可见字符,在DataWorks中显示不出来,但在BI界面又会显示成其他字符,影响整体观感。这种情况,通常我们的解法是,将异常的字符洗掉,下面来介绍几种常见的处理异常字符的方法。

问题描述

定位

如下图,可以看到“异常name”和“正常name”的 length值 不同,多了个不可见字符,但是我们并不能看出来啥。后期做数据处理或数据展示可能成为一个难以定位的问题。

SELECT 
    name as 异常name,
    LENGTH(name) as 异常name长度,
    '北京'  as 正常name,
    LENGTH('北京') as 正常name长度
from tbl1 
where name RLIKE '北京';

结果:

image

小技巧

  • 我们可以通过在线Unicode编码转换工具,将数值粘贴过去,获取到对应的Unicode码。同理也可以获取其他异常字符的Unicode码,以便后续处理。
  • 输入异常 vs 正常的字符串,对比 Unicode 差异可以倒推不可见字符为“ \u200b”

image

解决方案

  • 定位到问题后,回顾数据清洗的常规方案,想办法把消掉这种不可见字符
方案 描述 备注 本case是否适用
trim()函数 常规的首尾不可见字符处理 适用首尾部的空格、tab、换行 Yes
replace()函数 定向剔除字符串 适用于单个待替换的字符,多个需要层层嵌套 Yes
正则替换函数 定向剔除一类字符串 通过正则匹配符,替换一类字符串 Yes

方案1:trim() - 替换

效果如下:

  • 利用 trim() 函数将数值中的异常不可见字符替换为正常空值字符(不可见字符可通过在线Unicode编码转换工具Unicode转中文复制一下)
SELECT 
    name as 异常name,
    LENGTH(name) as 异常name长度,
    trim(name,'')  as 正常name,
  LENGTH(trim(name,'')) as 正常name长度
from tbl1 
where name RLIKE '北京';

结果:

image

方案2:replace() - 替换

效果如下:

  • 利用 replace() 函数将数值中的异常不可见字符替换为正常空值字符(不可见字符可通过在线Unicode编码转换工具Unicode转中文复制一下)
SELECT 
 name as 异常name,
 LENGTH(name) as 异常name长度,
 replace(name,'','')  as 正常name,
 LENGTH(replace(name,'','')) as 正常name长度
from tbl1 
where name RLIKE '北京';

结果:

image

方案4:正则表达式 - 替换

  • 使用函数一层一层替换会比较麻烦,目前MaxCompute支持通过正则表达式匹配出异常的字符
  • 只要筛选出了带有异常的一部分字符,再处理就方便很多了
  • 例如上文中的不可见字符,Unicode码为“\u200b”,通过执行如下SQL
select id,name from tbl1 where name rlike '[\x{200b}]';

结果返回:

image

  • 此时如果再用regexp_replace()函数可以替换掉这一部分含不可见字符的数值
-- regexp_replace()函数
SELECT 
 name as 异常name,
 LENGTH(name) as 异常name长度,
 regexp_replace(name, '[\x{200b}]', '',0)  as 正常name,
 LENGTH(regexp_replace(name, '[\x{200b}]', '',0)) as 正常name长度
FROM tbl1;

结果:

image

总结

针对于SQL中的不可见字符或者其他中文等异常字符,都可以使用方案3中的筛选方式筛出来,然后再做后续的替换或其他操作就可以了。

【MaxCompute 已发布免费试用计划,为数仓建设提速】新用户可 0 元领取 5000CU*小时计算资源与 100GB 存储,有效期 3 个月。  立即领取>>

欢迎各位开发者加入大数据计算 MaxCompute 社区立即加入

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
打赏
0 评论
1 收藏
0
分享
返回顶部
顶部