REGEXP_REPLACE函数必须按source、pattern、replacement、flags顺序传参，flags不可省略，全局替换需显式指定'g'；反斜杠需双写，捕获组用而非$1；中文匹配在PG14+用p{Han}，旧版用[u4e00-u9fff]。
REGEXP_REPLACE 基本用法和必须注意的参数顺序
REGEXP_REPLACE 在 PostgreSQL 中不是简单替换，它依赖正则引擎、匹配模式、替换逻辑三者协同。函数签名是：REGEXP_REPLACE(source, pattern, replacement, flags) —— 第四个参数 flags 容易被忽略，但缺了它可能完全不生效。比如想全局替换所有空格，写成 REGEXP_REPLACE(col, 's', '', '') 是错的：空字符串 '' 不代表“无标志”，而是被当作未提供参数，PostgreSQL 会退化为只替换第一个匹配项。正确做法是显式传 'g'（global）。
- 必须传
'g'才能替换全部匹配，否则只换第一个 -
flags还支持'i'（忽略大小写）、'm'（多行模式），可组合如'gi' - pattern 中的反斜杠要双写，例如匹配数字需写
'\d+'，单个d会被 SQL 字符串解析吞掉一个反斜杠 - replacement 字符串里，
\1引用捕获组，不是$1（那是某些其他数据库或工具的写法）
清洗常见脏数据类型的实际写法
脏数据往往集中在手机号、邮箱、金额、地址字段。别用模糊正则硬刚，先明确“要留什么”还是“要去什么”。比如清理手机号中的非数字字符，目标是保留纯数字，那就用 '[^0-9]' 匹配所有非数字，替换成空；而不是试图匹配“看起来像手机号的乱码”——后者不可靠且难维护。
- 去除非数字（如
"138-xxx-xxxx"→"138xxxxxxxx"）：REGEXP_REPLACE(phone, '[^0-9]', '', 'g') - 标准化邮箱（转小写 + 去首尾空格）：
LOWER(TRIM(REGEXP_REPLACE(email, '\s+', ' ', 'g')))，这里先用'\s+'合并连续空白再TRIM - 清理金额字段里的货币符号和逗号：
REGEXP_REPLACE(amount_str, '[^0-9.-]', '', 'g')，注意保留.和-以兼容小数和负数 - 修复重复标点（如
"Hello!!! How are you???"）：REGEXP_REPLACE(text, '([!?.])\1{2,}', '\1', 'g')，捕获一个标点后要求它重复 2 次以上，只留一个
性能陷阱：为什么在 WHERE 或 ORDER BY 里用 REGEXP_REPLACE 很慢
正则匹配本身开销大，如果在 WHERE 条件中对列直接调用 REGEXP_REPLACE(col, ...)，PostgreSQL 无法使用索引，每次都要全表扫描并实时计算。更糟的是，如果该列没建函数索引，后续查询也一样慢。
- 高频清洗场景（如 ETL 入库前），优先在应用层或
COPY后的UPDATE中批量处理，而非 SELECT 时实时计算 - 真要在查询中用，且字段固定清洗逻辑，可以建函数索引：
CREATE INDEX idx_clean_phone ON users ((REGEXP_REPLACE(phone, '[^0-9]', '', 'g'))) - 避免嵌套调用，例如
REGEXP_REPLACE(REGEXP_REPLACE(x, ...), ...)，能合并到一个正则里就合并（如用[^a-zA-Z0-9]代替两次分别删字母和数字外的字符） - 测试时用
EXPLAIN ANALYZE看执行计划，确认是否走了索引或触发了 Seq Scan
中文和 Unicode 字符的特殊处理
PostgreSQL 的正则默认按字节匹配，而中文是多字节 UTF-8 编码。直接写 '[a-zA-Z]' 不会匹配中文，但写 '[[:alpha:]]' 也不行——因为 [:alpha:] 依赖系统 locale，Linux 上通常只认 ASCII 字母。真正可靠的方式是用 Unicode 属性类，但 PostgreSQL 14+ 才原生支持 p{Han} 这类语法；旧版本得靠字符范围或外部扩展。
- PostgreSQL ≥ 14：用
\p{Han}匹配汉字，\P{Han}匹配非汉字，注意双反斜杠 - 旧版本（如 12/13）：用
'[u4e00-u9fff]'范围（需确保数据库编码为 UTF8，且客户端连接也设为 UTF8） - 想删所有非中文、非数字、非英文的符号？用
REGEXP_REPLACE(text, '[^u4e00-u9fff a-zA-Z0-9]', '', 'g')，空格保留用于分词 - 注意：Unicode 范围不能和
[:punct:]混用，后者在非 C locale 下行为不确定
REGEXP_REPLACE 只能解决格式层面的问题。 
