MaxCompute中如何处理异常字符

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：

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” 。

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1：trim() - 替换

• MaxCompute的trim()函数支持通过设置参数的方式调特色字符
• TRIM相关文档：<https://help.aliyun.com/document_detail/455667.html>

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：

方案2：replace() - 替换

• 优点：点对点思路解决问题，方便快捷
• 缺点：适用待替换的字符只有一个情况，如果有多个，需要再套一层replace函数，不容易维护
• REPLACE相关文档：<https://help.aliyun.com/document_detail/455611.html>

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：

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：

• 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：

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