Hive正则匹配函数regexp_extract具体⽤法regexp_extract函数
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。
第⼀参数： 要处理的字段
第⼆参数: 需要匹配的正则表达式
第三个参数:
0是显⽰与之匹配的整个字符串
1 是显⽰第⼀个括号⾥⾯的
2 是显⽰第⼆个括号⾥⾯的字段...
注意，在有些情况下要使⽤转义字符（双斜杠了‘\\’）。
举例：
1 2 3 4 5 6 7 8 9 10 11lect象征主义诗歌
regexp_extract('x=a3&x=18abc&x=2&y=3&x=4','x=([0-9]+)([a-z]+)',0), -- x=18abc
regexp_extract('x=a3&x=18abc&x=2&y=3&x=4','^x=([a-z]+)([0-9]+)',0), -- x=a3
regexp_extract('/item.htm?spm=1.Ni3rsN&id=522228774076&tracelog=fromnonactive','id= ([0-9]+)',0), -- id=522228774076
regexp_extract('/item.htm?spm=1.Ni3rsN&id=522228774076&tracelog=fromnonactive','id= ([0-9]+)',1), -- 522228774076
regexp_extract('a./i41915173660.htm','i([0-9]+)',0), -- i41915173660
regexp_extract('a./i41915173660.htm','i([0-9]+)',1) -- 41915173660
from test.dual;
正则匹配字符解释：
^ 表⽰开头
$ 表⽰结尾
. 表⽰任意字符
* 表⽰任意多个
补充： regexp_replace(mobile,'[^0-9]','') regexp '1[0-9]{10}' 返回true，则为好的⼿机号。
1、关于正则表达式的符号及意义
正则表达式由标准的元字符（metacharacters）所构成：
/做为转意，即通常在"/"后⾯的字符不按原来意义解释，如/b/匹配字符"b"，当b前⾯加了反斜杆后//b/，转意为匹配⼀个单词的边界。
-或-
对正则表达式功能字符的还原，如"*"匹配它前⾯元字符0次或多次，/a*/将匹配a,aa,aaa，加了"/"后，/a/*/将只匹配"a*"。
^匹配⼀个输⼊或⼀⾏的开头，/^a/匹配"an A"，⽽不匹配"An a"
$匹配⼀个输⼊或⼀⾏的结尾，/a$/匹配"An a"，⽽不匹配"an A"
*匹配前⾯元字符0次或多次，/ba*/将匹配b,ba,baa,baaa
+匹配前⾯元字符1次或多次，/ba*/将匹配ba,baa,baaa
匹配前⾯元字符0次或1次，/ba*/将匹配b,ba
(x)匹配x保存x在名为$1...$9的变量中
x|y匹配x或y
{n}精确匹配n次
{n,}匹配n次以上
{n,m}匹配n-m次
[xyz]字符集(character t)，匹配这个集合中的任⼀⼀个字符(或元字符)
大学辩论赛[^xyz]不匹配这个集合中的任何⼀个字符
[/b]匹配⼀个退格符
/b匹配⼀个单词的边界
/B匹配⼀个单词的⾮边界
/cX这⼉，X是⼀个控制符，//cM/匹配Ctrl-M
/d匹配⼀个字数字符，//d/ = /[0-9]/
/D匹配⼀个⾮字数字符，//D/ = /[^0-9]/
/n匹配⼀个换⾏符
/r匹配⼀个回车符
/s匹配⼀个空⽩字符，包括/n,/r,/f,/t,/v等
/
S匹配⼀个⾮空⽩字符，等于/[^/n/f/r/t/v]/
/t匹配⼀个制表符
/v匹配⼀个重直制表符
/w匹配⼀个可以组成单词的字符(alphanumeric，这是我的意译，含数字)，包括下划线，如[/w]匹配"$5.98"中的5，等于[a-zA-Z0-9] /W匹配⼀个不可以组成单词的字符，如[/W]匹配"$5.98"中的$，等于[^a-zA-Z0-9]。
'( )' 标记⼀个⼦表达式的开始和结束位置。
'[]' 标记⼀个中括号表达式。
/num 匹配 num，其中 num 是⼀个正整数。对所获取的匹配的引⽤。
字符簇：
[[:alpha:]] 任何字母。
[[:digit:]] 任何数字。
[[:alnum:]] 任何字母和数字。
[[:space:]] 任何⽩字符。
[[:upper:]] 任何⼤写字母。
[[:lower:]] 任何⼩写字母。
[[:punct:]] 任何标点符号。
[[:xdigit:]] 任何16进制的数字，相当于[0-9a-fA-F]
[[:<:]],[[:>:]] 标记表⽰边界。它们分别与word的开始和结束匹配。word是⼀系列字字符，其前⾯和后⾯均没有字字符。字字符是alnum类中的字母数字字符或下划线(_)
各种操作符的运算优先级：
/ 转义符
(), (?:), (?=), [] 圆括号和⽅括号
*, +, ?, {n}, {n,}, {n,m} 限定符
^, $, anymetacharacter 位置和顺序
2、regexp_extract函数
regexp_extract(str, regexp[, idx]) - extracts a group that matches regexp
字符串正则表达式解析函数。
参数解释:
其中：川端康成作品集
str是被解析的字符串或字段名
regexp 是正则表达式
idx是返回结果 取表达式的哪⼀部分 默认值为1。
0表⽰把整个正则表达式对应的结果全部返回
1表⽰返回正则表达式中第⼀个() 对应的结果
注意点：
深的组词要注意的是idx的数字不能⼤于表达式中()的个数。
否则报错：
实例：
如：
1） lect regexp_extract('hitdecisiondlist','(i)(.*?)(e)',0) ;
得到的结果为:
itde
2） lect regexp_extract('hitdecisiondlist','(i)(.*?)(e)',1) ;
小孩肚脐眼下面疼是什么原因得到的结果为:
i
3） lect regexp_extract('hitdecisiondlist','(i)(.*?)(e)',2) ;
得到的结果为:
td
4） lect regexp_extract('x=a3&x=18abc&x=2&y=3&x=4','x=([0-9]+)([a-z]+)',2) from default.dual;
电脑系统安装教程得到的结果为:
abc
qq登录查询此外，当前的语句只有2个()表达式 所以当idx>=3的时候 就会报错
FAILED: SemanticException [Error 10014]: Line 1:7 Wrong arguments '5': org.apache..adata.HiveException: Unable to execute method public .lang.String
org.apache.hadoop.hive.ql.udf.UDFRegExpExtract.evaluate(java.lang.String,java.lang.String,java.lang.Integer) on object of class org.apache.hadoop.hive.ql.udf.UDFRegExpExtract with arguments {x=a3&x=18abc&x=2&y=3&x=4:java.lang.String, x= ([0-9]+)[a-z]:java.lang.String, 2:java.lang.Integer} of size 3营销博客
