蜂巢 - 正则表达式错误的参数

Question

我需要在 url 模式中捕获文本"lnk="之后的字符串，但正则表达式抛出错误。

select regexp_extract('www.mysite.com?lnk=snav_rd_clothing&param=homepage', '(?<=(lnk=))(.*?)(?=&|?|$)') from table1 limit 10;
FAILED: SemanticException [Error 10014]: Line 1:7 Wrong arguments ''(?<=(lnk=))(.*?)(?=&|?|$)'': org.apache.hadoop.hive.ql.metadata.HiveException: Unable to execute method public java.lang.String org.apache.hadoop.hive.ql.udf.UDFRegExpExtract.evaluate(java.lang.String,java.lang.String)  on object org.apache.hadoop.hive.ql.udf.UDFRegExpExtract@65c86db8 of class org.apache.hadoop.hive.ql.udf.UDFRegExpExtract with arguments {www.mysite.com?lnk=snav_rd_clothing&param=homepage:java.lang.String, (?<=(lnk=))(.*?)(?=&|?|$):java.lang.String} of size 2

Answer 1

错误的原因是您使用单个反斜杠转义了?和&。由于 hive 中的字符串文本支持转义序列，因此需要双反斜杠才能将文本反斜杠传递给正则表达式引擎。

但是，您的模式对于当前任务来说过于复杂，即获取 0+ 字符，而不是 & 个字符，并在 lnk= 之后? 个字符。

您可以仅在此处依赖捕获组和否定字符类：

regexp_extract(str, '[?&]lnk=([^&?]*)', 1)

其中1表示第一个(也是这里唯一的(捕获组。

详情：

• [?&] - ?或&(将lnk匹配为查询参数名称(
• lnk= - a literal substring lnk='
• ([^&?]*) - 组 1：除 & 和 ? 以外的零个或多个字符([^...]是一个否定字符类，与集合/范围中定义的字符以外的任何字符匹配(