Apache Hive Regexp
(正则表达式)
Apache Hive Regexp
正则案例
⊙hive 通过regexp_extract(),
取域名中.com/.cn前的字符串?
例: 5.aaa.com
a.b.cccc.cn
567.com.cn
通过regexp_extract(),获得:
aaa
cccc
567
答:
regexp_extract(col_name, '(.*\\.)?([^\\.]+)\\.(com(\\.cn)?|(?<!\\.com\\.)cn)$',2)
hive中巧用正则表达式的贪婪匹配
需求:
从字符串"979|7.10.80|8684"中提取最后一个竖线|后面的内容,
但是在这个字符串中,竖线的个数不是固定的 。
使用hive中的regexp_extract函数实现如下:
Sql代码
select regexp_extract('979|7.10.80|8684','.*\\|(.*)',1) from a2data.test limit 1;
OK
8864
由于正则表达式的贪婪匹配,一直会匹配到最后一个竖线。
如果要取第一个竖线前面的内容,实现如下:
Sql代码
select regexp_extract('979|7.10.80|8684','(.*?)\\|.*',1) from a2data.test limit 1;
OK
979
贪婪匹配和非贪婪匹配的区别 .* 和 .*?
如果可以确定取以竖线分割的第N字段,用split即可,比如,取第二个字段7.10.80:
Sql代码
select split('979|7.10.80|8684','\\|')[1] from a2data.test limit 1;
OK
7.10.80
hive正则表达式详解
hive中的正则表达式还是很强大的。数据工作者平时也离不开正则表达式。对此,特意做了个hive正则表达式的小结。所有代码都经过亲测,正常运行。
1.regexp
语法: A REGEXP B 操作类型: strings
描述: 功能与RLIKE相同
[code]select count(*) from a2data.test where create_date_wid not regexp '\\d{8}'
与下面查询的效果是等效的:
[code]select count(*) from a2data.test where create_date_wid not rlike '\\d{8}';
2.regexp_extract
语法: regexp_extract(string subject, string pattern, int index)
返回值: string
说明:将字符串subject按照pattern正则表达式的规则拆分,返回index指定的字符。
[code]hive> select regexp_extract('IloveYou','I(.*?)(You)',1) from tesa2data.test limit 1;
Total jobs = 1
...
Total MapReduce CPU Time Spent: 7 seconds 340 msec
OK
love
Time taken: 28.067 seconds, Fetched: 1 row(s)
[code]hive> select regexp_extract('IloveYou','I(.*?)(You)',2) from tesa2data.test limit 1;
Total jobs = 1
...
OK
You
Time taken: 26.067 seconds, Fetched: 1 row(s)
[code]hive> select regexp_extract('IloveYou','(I)(.*?)(You)',1) from tesa2data.test limit 1;
Total jobs = 1
...
OK
I
Time taken: 26.057 seconds, Fetched: 1 row(s)
[code]hive> select regexp_extract('IloveYou','(I)(.*?)(You)',0) from tesa2data.test limit 1;
Total jobs = 1
...
OK
IloveYou
Time taken: 28.06 seconds, Fetched: 1 row(s)
[code]hive> select regexp_replace("IloveYou","You","") from tesa2data.test limit 1;
Total jobs = 1
...
OK
Ilove
Time taken: 26.063 seconds, Fetched: 1 row(s)
3.regexp_replace
语法: regexp_replace(string A, string B, string C)
返回值: string
说明:将字符串A中的符合java正则表达式B的部分替换为C。注意,在有些情况下要使用转义字符,类似oracle中的regexp_replace函数。
[code]hive> select regexp_replace("IloveYou","You","") from tesa2data.test limit 1;
Total jobs = 1
...
OK
Ilove
Time taken: 26.063 seconds, Fetched: 1 row(s)
[code]hive> select regexp_replace("IloveYou","You","a2data") from tesa2data.test limit 1;
Total jobs = 1
...
OK
Ilovea2data