regex - 正则表达式在 pig 的每个循环中

Question

我目前正在使用UDF来获取输出，但是正则表达式将执行相同的操作，并且可能更快!

我在Pig中运行代码时遇到问题，这是我要运行的代码行。

data = FOREACH f GENERATE FLATTEN(REGEX EXTRACT(col4,'(?:\.)([^\.]*\.?[^\.]*)$')) AS (url:chararray) ;

这行代码带有错误语法错误，'('或附近的意外符号

正则表达式通过获取google.co.uk起作用，并将返回.co.uk，google.com将返回.com
链接在这里: http://gskinner.com/RegExr/?372tm

然后，我的想法是按顶级域名(TLD)的数量进行计数。例如3 co.uk

 countURL = group data by url;
 result = foreach countURL generate group, COUNT($1);

如果有人可以帮助，那就太好了。

谢谢

Answer 1

有两件事:

您缺少_中的regex_extract

您需要指定组0

点必须用双引号括起来\\

data = FOREACH A GENERATE FLATTEN(REGEX_EXTRACT(url,'(?:\\.)([^\\.]*\\.?[^\\.]*)$', 0));
这给出了 .com的 google.com