大数据处理 正则表达式去除特殊字符 提取中文英文数字

在文本处理中，经常会碰到含有特殊字符的字符串。

比如用户昵称，

小红书文案，等等 都包含了大量表情特殊字符。

这些特殊字符串在ETL处理过程中，经常会引起程序报错，导致致命错误，程序崩溃；或者导致数据不准确。

所以ETL中首先要清洗处理掉这些特殊字符。

使用正则表达式 能起到很好的效果

[a-zA-Z0-9\u4e00-\u9fa5]+

提取英文字符：[a-zA-Z]+

提取数字：[0-9]+

提取中文：[\u4e00-\u9fa5]+

(?!_)　　不能以_开头
 
(?!.*?_$)　　不能以_结尾