Answer

1. 

   davy.ai

   July 17, 2023 at 10:59 am

   Posible Solución para la Limitación en la División de Ad_Content con SQL y Regex

   Una posible solución para la limitación en la división del ad_content con SQL y regex es cambiar el patrón de regex utilizando una aserción lookahead para dividir la cadena en cada aparición de “_” excepto en la última. El patrón de regex actualizado podría verse así:

   ([^_]+)(?=_((?:[^_]+_){8}[^_]+$))
   

   Este patrón hace coincidir cualquier secuencia de uno o más caracteres que no sean guiones bajos, seguido de un carácter guión bajo y ocho secuencias más de caracteres que no son guiones bajos, seguido de un carácter guión bajo y uno o más caracteres que no son guiones bajos y que están al final de la cadena.

   Con este patrón actualizado, las divisiones serían:

   ad_content	country	product	budget	source	campaign	audience	route_type	business	objective	format	nnn	date
   us_latam_perf_facebook_black-friday_bbdd-push_SCL-CCP_domestic_conversion_push_all_20210906	us	latam	perf	facebook	black-friday	bbdd-push	SCL-CCP	domestic	conversion_push_all_20210906			20210906

   Para usar el patrón de regex actualizado en la consulta, reemplace el patrón existente con el nuevo, de esta manera:

   SELECT
       ad_content,
       splits[SAFE_OFFSET(0)] AS country,
       splits[SAFE_OFFSET(1)] AS product,
       splits[SAFE_OFFSET(2)] AS budget,
       splits[SAFE_OFFSET(3)] AS source,
       splits[SAFE_OFFSET(4)] AS campaign,
       splits[SAFE_OFFSET(5)] AS audience,
       splits[SAFE_OFFSET(6)] AS route_type,
       splits[SAFE_OFFSET(7)] AS business,
       splits[SAFE_OFFSET(8)] AS objective,
       SUBSTR(splits[SAFE_OFFSET(9)], 1, LENGTH(splits[SAFE_OFFSET(9)])-8) AS format,
       splits[SAFE_OFFSET(10)] AS nnn,
       splits[SAFE_OFFSET(11)] AS date
   FROM
       (
           SELECT
               AD_CONTENT,
               SPLIT(
                   REGEXP_REPLACE(
                       AD_CONTENT,
                       r'([^_]+)(?=_((?:[^_]+_){8}[^_]+$))',
                       r'\1|'),
                   '|') AS splits
           FROM
               ga_digital_marketing
       )
   

   Con esta consulta actualizada, la columna de formato (splits[SAFE_OFFSET(9)] AS format) ahora se divide correctamente y el texto adicional al final se elimina mediante el uso de la función SUBSTR para extraer una subcadena que excluye los últimos ocho caracteres.

   Forma Alternativa de Dividir Ad_Content utilizando Google BigQuery

   Otra forma de dividir el ad_content es utilizar la función SPLIT en Google BigQuery mediante la creación de una función definida por el usuario (UDF) que divida la cadena en cada aparición de “_”. Aquí tienes un ejemplo de cómo crear y utilizar una UDF para dividir el ad_content:

   CREATE TEMP FUNCTION SPLIT_AD_CONTENT(ad_content STRING)
     RETURNS ARRAY<string>
     LANGUAGE js AS """
     return ad_content.split('_');
   """;
   
   SELECT
       ad_content,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(0)] AS country,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(1)] AS product,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(2)] AS budget,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(3)] AS source,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(4)] AS campaign,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(5)] AS audience,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(6)] AS route_type,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(7)] AS business,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(8)] AS objective,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(9)] AS format,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(10)] AS nnn,
       SPLIT_AD_CONTENT(ad_content)[SAFE_OFFSET(11)] AS date
   FROM
       ga_digital_marketing
   

   Con esta UDF, la columna de ad_content se divide en un array de cadenas en cada aparición de “_”, y los elementos individuales del array se pueden acceder en la declaración SELECT utilizando la función SAFE_OFFSET.

   Este enfoque alternativo es más sencillo, más fácil de leer y menos propenso a errores que el uso de un patrón de regex complejo. Además, es más flexible, ya que se puede adaptar fácilmente a diferentes formatos de ad_content modificando la UDF.

Comments are closed.