Hive REGEXP_EXTRACT 返回空结果答案

【问题标题】：Hive REGEXP_EXTRACT returning null resultsHive REGEXP_EXTRACT 返回空结果
【发布时间】：2018-05-31 21:39:38
【问题描述】：

我正在尝试从下面的示例数据中提取 R7080075 和 X1234567。格式始终为单个大写字符后跟 7 位数字。此 ID 也始终以下划线开头。由于它是用户生成的数据，因此有时它是记录中的第一个下划线，有时前面的所有空格都已替换为下划线。

我在 select 语句中用这个查询 HDP Hive：

REGEXP_EXTRACT(column_name,'[(?:(^_A-Z))](\d{7})',0)

我已经尝试寻址位置 0-2 并且没有返回错误或任何数据。我在 regextester.com 上测试了代码，它突出显示了我要提取的数据。然后当我在 Zepplin 中运行它时，它返回 NULL。

我的正则表达式经验有限，因此我已在此处查看有关 regexp_extract (+hive) 的文章并与一位同事交谈。提前感谢您的帮助。

样本数据：

Sept Wk 5 Sunny Sailing_R7080075_12345
Holiday_Wk2_Smiles_X1234567_ABC

【问题讨论】：

【解决方案1】：

Hive 手册是这样说的：

请注意，在使用预定义的字符类时需要注意：使用 '\s' 作为第二个参数将匹配字母 s； '\\s' 是匹配空格等所必需的。

此外，您的表达式在字符类中包含不必要的字符。

试试这个：

REGEXP_EXTRACT(column_name,'_[A-Z](\\d{7})',0)

由于您只想要不带下划线的部分，因此请使用：

REGEXP_EXTRACT(column_name,'_([A-Z]\\d{7})',1)

它匹配整个模式，但只提取第二组而不是整个匹配。

或者：

REGEXP_EXTRACT(column_name,'(?<=_)[A-Z]\\d{7}', 0)

这使用了一种称为“正向回溯”的正则表达式技术。它翻译为：“给我找一个大写字母后跟 7 位数字，但仅如果它们前面有一个 _”。它使用 _ 进行匹配，但不将其视为提取匹配的一部分。

【讨论】：

谢谢，瓦桑。这让我大部分时间都在那里。一些额外语法的原因是我想通过使用前导下划线来识别它，但我不想返回下划线。另外，我不能指望它是字符串中唯一的[A-Z](\\d{7})。最后，'[(^_A-Z)](\\d{7})' 给了我我需要的东西。感谢您对双反斜杠参考的帮助！
@LeighF。但这仍然是不正确的语法 - 您在 [] 中包含的任何内容都将被逐字解释并失去其特殊的正则表达式含义。此外，它们被视为被“OR”分隔。因此，您的表达式转换为“匹配单个 ^ 或 _ 或 ( 或 ) 或大写字母，然后匹配 7 位数字”。也许它仍然适用，但请注意这一点。
感谢您提供更多详细信息。虽然它有效，但我发现它可能并非总是如此。我想匹配_[A-Z]####### 但只返回[A-Z]####### 我发现[A-Z](\\d{7}) 这样做，但只是因为[A-Z] 匹配，而不是因为它也根据前面_ 的条件匹配。您的示例还返回下划线。有没有办法在匹配中包含下划线而不是提取？
@LeighF。我用你需要的东西编辑了我的答案。请试试这个并告诉我。
谢谢@Vasan。选项二效果很好！ REGEXP_EXTRACT(column_name,'_([A-Z]\\d{7})',1)