regexp_extract 是否适用于多种模式？-Spark sql答案

【问题标题】：Does regexp_extract work for multiple patterns?-Spark sqlregexp_extract 是否适用于多种模式？-Spark sql
【发布时间】：2021-05-28 13:02:32
【问题描述】：

模式1：由|分隔

Input : a|b|c|d     
Output: a|b|c|d

用一个竖线分隔时选择所有内容

模式 2：由 | 分隔和 ||
示例1：

Input :a|b||c||d       
Output:a|b||c

选择最后一个双管道之前的所有内容

示例2：

Input :a|b||c|d     
Output:a|b

模式 3：字符串的开头可以有多个管道（奇数或偶数）并进一步由 | 分隔和||

Input :|||a|b||c||d     
Output:|||a|b||c

选择最后一个双管道之前的所有内容，字符串的开头可能有奇数或偶数管道，必须选择它们。

如果不能在一个 regexp_extract 中完成。您能否建议其他选项。

请指教。

【问题讨论】：

请格式化您的问题，以便代码和数据是等宽的。在每行代码/数据上添加四个或更多空格。
欢迎来到 SO Priya。你的问题很有趣。请看下面我的回答。无论如何，请按照指南正确格式化问题中的代码和数据。如果您发现它满足您的要求，也请考虑accept an answer。如果需要任何澄清，请告诉我。

【解决方案1】：

使用以下正则表达式：

^(\|*(?:(?!\|\|(?!.*\|\|)).)*)

查看RegEx Demo 显示所有匹配项

这是一个相当复杂的要求，需要在 Tempering 模式中使用 Tempered Greedy Token 和 Negative Lookahead。让我解释一下下面的逻辑：

逻辑

^ 只匹配字符串的开头
(...) 在^ 之后包含整个模式以使其成为捕获组
\|* 要求 Pattern 3 匹配开头的多个|，尽可能多（因此使用贪婪*）
(?:(?!...).)*这是Tempered Greedy Token的主要构造（骨架），我将在下面解释其详细信息：
\|\|(?!.*\|\|) 这是 Tempered Greedy Token 的主体（核心）。 ( 之前的第一部分是确保字符匹配但不包括模式|| 第二部分(?!.*\|\|) 是确保第一部分中的|| 模式后面没有任何其他双管道@ 987654337@ 之后的某个地方，根据要求。

事实上，我认为这个问题很有趣，需要 RegEx 的复杂功能来支持它。这也是迄今为止我看到的第一个需要在 Tempered Greedy Token 构造中进行 Negative Lookahead 的示例。

【讨论】：

谢谢！上述解决方案在 hive 中有效，但 Spark sql 抛出错误“在索引 3 处悬空元字符 *。由于 * 是一个量词，我认为我们不应该逃避它。我只是尝试用\* 但仍然出现悬空元字符错误。
对不起，我对 Spark SQL 不熟悉。无论如何，看到你尝试过的正则表达式，即(.*)(?=\\\\|\\\\|) 也有*，所以我猜这个问题并不在* 量词上。我的疯狂猜测是反斜杠 \ 用于转义符号。看到您使用 4 \ 来转义 | 符号，而我只使用了一个 \，它在可能被引用时在其他 RegEx 环境中被接受。您可以尝试在上述正则表达式中添加更多 \ 并重试吗？
嗨@Priya，当您尝试自定义正则表达式以使其在 Spark sql 下可用时，我进一步微调了正则表达式以对其进行概括，以涵盖您的问题中未提及的更多示例案例：例如||||a|b||c|a||f 末尾的双斜线段不一定放在一起（中间可以有单斜线段）。请将此增强的正则表达式用于您的工作。
@SeaBean-for Spark Sql 我在下面的帖子stackoverflow.com/questions/66388303/… 中使用了这种方法。尽管如此，感谢您的帮助。我是正则表达式的新手，如果您能分享学习它的建议，那就太好了。
@Priya 太好了，您从了解 Spark Sql 的人那里找到了解决方案。回答你的人也是正则表达式的大师。