regex - hive regexp_extract 奇怪之处

Question

我在使用 regexp_extract 时遇到了一些问题:

我正在查询一个制表符分隔的文件，我正在检查的列有如下所示的字符串:

abc.def.ghi

现在，如果我这样做:

select distinct regexp_extract(name, '[^.]+', 0) from dummy;

MR 作业运行，它工作，我从索引 0 得到“abc”。

但是现在，如果我想从索引 1 中获得“def”:

select distinct regexp_extract(name, '[^.]+', 1) from dummy;

Hive 失败:

2011-12-13 23:17:08,132 Stage-1 map = 0%,  reduce = 0%
2011-12-13 23:17:28,265 Stage-1 map = 100%,  reduce = 100%
Ended Job = job_201112071152_0071 with errors
FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.MapRedTask

日志文件说:

java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: Hive Runtime Error while processing row

我在这里做错了什么吗？

谢谢，
马里奥

Answer 1

来自文档 https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF看起来 regexp_extract() 是您希望提取的数据的记录/行提取。

它似乎适用于第一个发现(然后退出)而不是全局。因此索引引用捕获组。

0 = 整个比赛
1 = 捕获组 1
2 = 捕获组 2，等等...

从手册中转述:

regexp_extract('foothebar', 'foo(.*?)(bar)', 2)
                                  ^    ^   
               groups             1    2

This returns 'bar'.

因此，在您的情况下，要获取点后的文本，这样的操作可能有效: regexp_extract(name, '\.([^.]+)', 1)或者这个 regexp_extract(name, '[.]([^.]+)', 1)
编辑

我对这个重新感兴趣，仅供引用，可能有适合您的快捷方式/解决方法。

看起来你想要一个用点分隔的特定段 .字符，这几乎就像 split 。
如果它被量化不止一次，那么使用的正则表达式引擎很可能会覆盖一个组。
您可以通过以下方式利用它:

返回第一段: abc .def.ghi regexp_extract(name, '^(?:([^.]+)\.?){1}', 1)
返回第二段:abc。 def .ghi regexp_extract(name, '^(?:([^.]+)\.?){2}', 1)
返回第三段:abc.def。 ghi regexp_extract(name, '^(?:([^.]+)\.?){3}', 1)
索引不会改变(因为索引仍然指向捕获组 1)，只有正则表达式重复发生了变化。

一些注意事项:

这个正则表达式 ^(?:([^.]+)\.?){n}虽然有问题。
它要求段中的点之间有一些东西，否则正则表达式将不匹配 ... .

可能是这个 ^(?:([^.]*)\.?){n}但即使少于 n-1 个点，这也会匹配，
包括空字符串。这可能是不可取的。

有一种方法可以做到在点之间不需要文本，但仍然需要至少 n-1 个点。
这使用先行断言和捕获缓冲区 2 作为标志。
^(?:(?!\2)([^.]*)(?:\.|$())){2} ，其他都一样。

所以，如果它使用 java 风格的正则表达式，那么这应该可以工作。 regexp_extract(name, '^(?:(?!\2)([^.]*)(?:\.|$())){2}', 1)将 {2} 更改为需要的任何“段”(这是段 2)。

并且在第 {N} 次迭代后它仍然返回捕获缓冲区 1。

这里分解了

^                # Begining of string
 (?:             # Grouping
    (?!\2)            # Assertion: Capture buffer 2 is UNDEFINED
    ( [^.]*)          # Capture buffer 1, optional non-dot chars, many times
    (?:               # Grouping
        \.                # Dot character
      |                 # or,
        $ ()              # End of string, set capture buffer 2 DEFINED (prevents recursion when end of string)
    )                 # End grouping
 ){3}            # End grouping, repeat group exactly 3 (or N) times (overwrites capture buffer 1 each time)

如果它不做断言，那么这将不起作用!