删除元素的正则表达式与特定前缀不匹配答案

【问题标题】：Regular expression to remove element not match specific prefix删除元素的正则表达式与特定前缀不匹配
【发布时间】：2018-06-27 22:59:29
【问题描述】：

我在 Impala 或 Hive 中执行此操作。基本上假设我有一个这样的字符串

f-150:aa|f-150:cc|g-210:dd

每个元素由管道| 分隔。每个都有前缀f-150 或其他。我希望能够删除前缀并仅保留与特定前缀匹配的元素。比如前缀是f-150，我希望regex_replace后面的最后一个字符串是

aa|cc

dd 被移除，因为g-210 是不同的前缀并且不匹配，因此整个元素被移除。

知道如何在一个 SQL 中使用字符串表达式来做到这一点吗？

谢谢

更新 1

我在Impala中试过这个：

select regexp_extract('f-150:aa|f-150:cc|g-210:dd','(?:(?:|(\\|))f-150|keep|those):|(?:^|\\|)\\w-\\d{3}:\\w{2}',0);

但是得到了这个输出：

f-150:aa

在Hive，我得到了NULL。

【问题讨论】：

标签： sql regex hive impala

【解决方案1】：

有问题的正则表达式可能如下所示：

(?:(?:|(\\|))f-150|keep|those):|(?:^|\\|)\\w-\\d{3}:\\w{2}

我添加了一些伪关键字来保留，但我相信你明白了：

完全匹配应删除的元素，但仅匹配应保留的前缀。
要保持分隔符不变，请将| 匹配到组 1 中元素的开头，然后用$1 将其放回替换位置。

Demo

根据documentation，您的查询应该写成Java regex；同样，这应该像这样code sample in Java。

【讨论】：

感谢您的帮助。我在网上其他地方尝试了正则表达式，它可以工作，但由于某种原因在 Impala 和 Hive 中，它没有。请看我上面的更新。

【解决方案2】：

您可以匹配要删除的值，然后用空字符串替换：

f-150:|\|[^:]+:[^|]+$|[^|]+:[^|]+\|

f-150:|\\|[^:]+:[^|]+$|[^|]+:[^|]+\\|

解释

f-150: 字面匹配
|或者
\|[^:]+:[^|]+$ 匹配一个管道，而不是冒号一次或多次，后跟非管道一次或多次并断言行尾
|或者
[^|]+:[^|]+\| 不匹配管道一次或多次，冒号后跟非管道匹配一次或多次，然后匹配管道

Test with multiple lines and combinations

【讨论】：

由于某种原因，Impala 在执行select regexp_extract('f-150:aa|f-150:cc|g-210:dd','f-150:|\\|[^:]+:[^|]+$|[^|]+:[^|]+\\|',0); 时一直只提供f-150:aa|
如果你使用 regexp_replace，也许像regexp_replace("f-150:aa|f-150:cc|g-210:dd", "f-150:|\\|[^:]+:[^|]+$|[^|]+:[^|]+\\|", "")
我跑了select regexp_replace('f-150:aa|f-150:cc|g-210:dd','f-150:|\\|[^:]+:[^|]+$|[^|]+:[^|]+\\|','NA');，得到了NANAg-210:dd，所以看起来它做对了。
我想如果有可能作为解决方法，我可以用空字符替换“none f-150”。基本上g-210:dd 会被清空。

【解决方案3】：

您可能必须遍历字符串直到结束才能获得所有匹配的子字符串。大多数 sql 不支持前瞻语法，因此上述正则表达式可能不适合 SQL 语法。出于您的目的，您可以执行一些操作，例如创建一个循环遍历的表，以模仿 Oracle 的级别语法并与包含字符串的表连接。

With loop_tab as (
Select 1 loop union all
Select 2 union all
select 3 union all
select 4 union all
select 5),
string_tab as(Select 'f-150:aa|ade|f-150:ce|akg|f-150:bb|'::varchar(40) as str)
Select regexp_substr(str,'(f\\-150\\:\\w+\\|)',1,loop)
from string_tab
join loop_tab on 1=1

输出：

regexp_substr
f-150:aa|
f-150:ce|
f-150:bb|

【讨论】：