我是大数据领域的新手，刚刚开始学习。
我在 hive 中有一个 tweets 表，在它的文本字段中，许多记录都包含超链接。我想删除这些超链接，但我做不到。由于 hive 不支持用于此目的的 charindex 和其他 sql 函数，即使经过大量搜索，我也找不到任何线索。我试图用 regexp_replace 来做，但它给了我“索引超出范围”的错误，这意味着我可能没有写正确的正则表达式。
这是我的查询
SELECT text, regexp_replace (text, '(https.*)', '') FROM tweets;
任何帮助将不胜感激。
【问题讨论】：
regexp_replace 是一种合适的方法，但您的正则表达式将被解释为“将第一次出现 https 后的所有内容替换为空字符串”。在这种情况下，您不需要括号，并且您的正则表达式模式需要更完整地定义要删除的 URL 的模式，可能是通过查找 https 之后的第一个空格字符。请注意，正则表达式在默认情况下是“贪婪的”，因此诸如 https.* 之类的模式（.* 后面有一个空格）将在 text 中查找 最长 字符串，以 http 沙开头，以结尾空间。通过添加 ?到通配符模式，例如https.*?。另外，请记住，在所有情况下，URL 的末尾都可能没有空格，可能是也可能不是 https，但肯定会包含 //:。使用诸如 Rubular 之类的站点来处理您的正则表达式，然后在您运行时添加到您的查询中。
最后，很可能你不应该在函数后面放一个空格，所以regexp_replace (...做regexp_replace(...
【讨论】：