hadoop - Apache Hive regexp_extract UDF

Question

我在 Apache Hive 中遇到了一段代码，例如 regexp_extract(input, '[0-9]*', 0)，有人可以向我解释一下这段代码的作用吗？谢谢

Answer 1

从Hive 手册 DDL中，它返回使用模式提取的字符串。例如regexp_extract('foothebar', 'foo(.*?)(bar)', 2)返回bar。

index参数是捕获组，它是一个整数，可以取以下值：

• 0：整个比赛，在我的例子中是foothebar
• 1：第一组，在我的例子中是the
• 2：第二组 在我的例子中是bar
• n：第n组。如果 n 大于您的正则表达式中定义的实际组数，您的 Hive 查询将失败。

在您的示例中regexp_extract(input, '[0-9]*', 0)，您正在寻找由数值标识input并以数值开头的列的整个匹配项。

这里有一些例子：

• regexp_extract('9eleven', '[0-9]*', 0)-> 返回9
• regexp_extract('9eleven', '[0-9]*', 1)-> 查询失败
• regexp_extract('911test', '[0-9]*', 0)-> 返回911
• regexp_extract('911test', '[0-9]*', 1)-> 查询失败
• regexp_extract('eleven', '[0-9]*', 0)-> 返回空字符串
• regexp_extract('test911', '[0-9]*', 0)-> 返回空字符串

Answer 2

上面的答案部分不正确。regexp_extract('test911', '[0-9]*', 0)肯定会返回 911。我们之前从未指定字符串的开头[0-9]*

Answer 3

正则表达式regexp_extract(input, '[0-9]*', 0)将给出输入字符串中的所有起始数字。

例如，

select regexp_extract('442323test41234', '[0-9]*', 0) ==> 442323
select regexp_extract('44test41234', '[0-9]*', 0) ==> 44
select regexp_extract('test41234', '[0-9]*', 0) ==> 1

但这不是提取起始数字的最佳方法。以下是更易读的格式：

select regexp_extract(input, '^([0-9]+).*?$', 1)

上面的正则表达式说，列出字符串中开始的所有数字并忽略其余数字。