hive regexp_extract 怪异

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，我正在检查的列的字符串如下所示：

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 中获取“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

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

它似乎适用于第一次发现（然后退出）而不是全局。因此索引引用了捕获组。

0 = 整场比赛
1 = 捕获组 1
2 = 捕获组 2 等...

引自手册：

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

This returns 'bar'.

因此，在您的情况下，要获取点之后的文本，可能会起作用：
regexp_extract(name, '\.([^.]+)', 1)
或者这个
regexp_extract(name, '[.]([^.]+)', 1)

编辑

我对此重新感兴趣，仅供参考，可能有适合您的捷径/解决方法。

看起来您想要一个用点. 字符分隔的特定段，这几乎就像拆分。
如果多次量化，则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这一点：

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)

索引没有变化（因为索引仍然指向捕获组 1），只有正则表达式重复发生变化。

一些注意事项：

• 这个正则表达式 ^(?:([^.]+)\.?){n} 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 ^(?:([^.]*)\.?){n}，但即使点数少于 n-1，它也会匹配，
  包括空字符串。这可能是不可取的。

有一种方法可以做到这一点，它不需要点之间的文本，但仍需要至少 n-1 个点。
这使用前瞻断言和捕获缓冲区 2 作为标志。

^(?:(?!\2)([^.]*)(?:\.|$())){2}，其他都一样。

因此，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} 更改为所需的任何“段”（这会用于段 2）。

在第 {N} 次迭代后它仍然返回捕获缓冲区 1。

这里被分解了

^                # 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！

Answer 2

我认为您必须不设置“组”？

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

（未经测试）

我认为它的行为类似于 java 库，这应该可以工作，但请告诉我。