Impala 等价于 regexp_substr

Question

我有一个需要转换为 Impala 的 Oracle 查询。我知道 Impala 有 regexp_extract 根据我提供的正则表达式返回字符串。我担心的是，如果同一个字符串不止一次出现，我该如何捕捉呢？

假设我拥有的虚拟 Oracle 代码： Select t1.r1, REGEXP_SUBSTR("RMG123/RMG987",'(RMG\d{3})+',1,1) as r2, REGEXP_SUBSTR("RMG123/RMG987",'(RMG\d{3})+',1,2) as r3 From t1;

这里我将r2和r3的值分别作为RMG123和RMG987。

当我将其转换为 Impala 等效项时 Select t1.r1, regexp_extract("RMG123/RMG987",'(RMG\\d{3})+',1) as r2, regexp_extract("RMG123/RMG987",'(RMG\\d{3})+',2) as r3 From t1;

我得到 r2 的值为 RMG123，但没有得到 r3 的任何值，因为 regexp_extract 不允许检查模式的第二次出现。

请注意，数据 RMG123/RMH987 只是一个示例数据。用户不知道这两个字段是用/分隔的。

请在 Impala 中提出一种方法，我可以在其中获得与 Oracle 相同的结果。

Answer 1

在 Impala regexp_extract 中，最后一个参数是模式中的 group () 编号，而不是 Oracle regexp_substr 中的第 n 个出现次数。您的模式包含单个组号 1，没有组 2。如果您想提取第二次出现的子字符串，请更改模式，例如：

regexp_extract("RMG123/RMG987",'(RMG\d{3})+.*?(RMG\d{3})',2)

模式'(RMG\\d{3})+.*?(RMG\\d{3})'表示：

(RMG\\d{3})+ - 第一组 1 次以上。 + 这里表示连续出现两个或多个模式将被视为单个。

.*? - 一些分隔符在任何时候都是非贪婪的

(RMG\\d{3}) - 第二组 - 这是您要提取的模式的第二次出现。

+ 模式中第一组之后的符号在这里很重要，因为没有它，没有任何分隔符的组的多次出现将被视为新出现，带 + 符号，多次出现将被视为单个出现。

例如，如果初始字符串是RMG123RMG980/RMG987，

regexp_extract("RMG123RMG980/RMG987",'(RMG\\d{3})+.*?(RMG\\d{3})',2)

将产生RMG987

和没有+的相同模式

 regexp_extract("RMG123RMG980/RMG987",'(RMG\\d{3}).*?(RMG\\d{3})',2)

将产生RMG980

不幸的是我没有 Impala 来测试它，在 Hive 中同样的工作，Impala 正则表达式的风格可能有点不同。