Hive中常用正则表达式的运用小结

在实际的应用中,通常需要在一些复杂的、没有规律的字符串中提取数据,这时候就需要用到正则表达式了,这次讲一下hive的正则表达式。

like

语法:A like B

说明:如果字符串A符合表达式B的正则语法,则为true,否则为flase。B中字符"_"表示任意单个字符,而字符"%"表示任意数量的字符。

例子:select 'AA123' like 'AA%';

结果:true

例子:select 'AAbbbbcccc' like '_A%';

结果:true

rlike

语法:A rlike B

说明:如果字符串A符合JAVA正则表达式B的正则语法,则为TRUE,否则为FALSE。

例子:select 'AAbbbbcccc' rlike 'AA';

结果:true

regexp

语法: A REGEXP B

说明:用法和rike一样

例子:select 'AAbbbbcccc' regexp 'AA';

结果:true

regexp_replace

语法: regexp_replace(string A, string B, string C)

说明:将字符串A中的符合java正则表达式B的部分替换为C

例子:select regexp_replace('AA123bbcccc' ,'123','o');

结果:AAobbcccc

regexp_extract

语法: regexp_extract(string A, string pattern, int index)

说明:将字符串A按照pattern正则表达式的规则拆分,返回index指定的字符,index从1开始计。

  • 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
  • 3,4,5.....依次类推

例子:select regexp_extract('AA123bbcccc' ,'A{2}([1-9]{3})([a-z]{6})',0);

结果:AA123bbcccc

例子:select regexp_extract('AA123bbcccc' ,'A{2}([1-9]{3})([a-z]{6})',2);

结果:bbcccc

基础语法 "^([]{})([]{})([]{})$"

正则字符串 = "开始([包含内容]{长度})([包含内容]{长度})([包含内容]{长度})结束" 

常用元字符的使用:

元字符

描述

\

转义字符。例如,“\n”代表换行符,如果想表示"\n"这个字符串,需要使用"\\n"来表示,也就是说"\\"代表字符"\"

^

匹配输入字行首。"^a"代表以a开头的任意字符串

$

匹配输入行尾。"a$"代表以a结尾的任意字符串

*

匹配前面的子表达式0次或多次。例如,ab*能匹配a,ab,abb,abbbb等等,等价于{0,}

+

匹配前面的子表达式一次或多次(大于等于1次)。例如,“ab+”能

匹配ab,abb,abbbb等等。等价于{1,}

?

匹配前面的子表达式零次或一次。例如,“ab?”可以匹配ab,abb,等价于{0,1}。当该字符紧跟在任何一个其他限制符(*,+,?,{n},{n,},{n,m})后面时,匹配模式是非贪婪的。非贪婪模式尽可能少地匹配所搜索的字符串,而默认的贪婪模式则尽可能多地匹配所搜索的字符串。例如,对于字符串“oooo”,“o+”将尽可能多地匹配“o”,得到结果[“oooo”],而“o+?”将尽可能少地匹配“o”,得到结果 ['o', 'o', 'o', 'o'],等价于{0,1}

{n}

n是一个非负整数。匹配确定的n次。例如,“a{2}”不能匹配到aa。

{n,}

n是一个非负整数。至少匹配n次。例如,“a{2,}”能匹配“aa,aaa等等。“a{1,}”等价于“a+”,“a{0,}”则等价于“a*”。

{n,m}

m和n均为非负整数,其中n<=m。最少匹配n次且最多匹配m次。例如,“a{1,3}”将匹配“aoooood”中的前三个o为一组,后三个o为一组。“a{0,1}”等价于“a?”。请注意在逗号和两个数之间不能有空格。

.

匹配除“\n”和"\r"之外的任何单个字符。要匹配包括“\n”和"\r"在内的任何字符,请使用像“[\s\S]”的模式。

_匹配任意单个字符,例如:_a 能匹配到任何第二个字符为a的,如aa,ba等等

x|y

匹配x或y。例如,“z|food”能匹配“z”或“food”。

“[z|f]ood”则匹配“zood”或“food”。

[xyz]

字符集合,匹配所包含的任意一个字符。

例如,“[abc]”可以匹配“plain”中的“a”。

[^xyz]

负值字符集合。匹配未包含的任意字符。例如“[^abc]”可以匹配“plain”中的“plin”任一字符。

[a-z]

字符范围,匹配指定范围内的任意字符。例如,“[a-z]”可以匹配

“a”到“z”范围内的任意小写字母字符。注意:只有连字符在字符组内部时,并且出现在两个字符之间时,才能表示字符的范围; 如果出字符组的开头,则只能表示连字符本身.

[^a-z]

负值字符范围。匹配任何不在指定范围内的任意字符。例如,“[^a-z]”可以匹配任何不在“a”到“z”范围内的任意字符。

\d

匹配一个数字字符。等价于[0-9]。

\D

匹配一个非数字字符。等价于[^0-9]。

\n

匹配一个换行符。

\r

匹配一个回车符。

\s

匹配任何不可见字符,包括空格、制表符、换页符等等。

等价于[ \f\n\r\t\v]。

\S

匹配任何可见字符。等价于[^\f\n\r\t\v]。

\t

匹配一个制表符。

\v

匹配一个垂直制表符。

\w

匹配包括下划线的任何单词字符。类似但不等价于“[A-Za-z0-9_]”,

这里的"单词"字符使用Unicode字符集。

\W

匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。

( )

将( 和 ) 之间的表达式定义为“组”(group),并且将匹配这个表达式的字符保存到一个临时区域(一个正则表达式中最多可以保存9个),它们可以用 \1 到\9 的符号来引用。

其他

汉字:[\u4e00-\u9fa5]

身份证号(15位、18位数字),最后一位是校验位,可能为数字或字符X:(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)

日期格式:^\d{4}-\d{1,2}-\d{1,2}

两位小数正数:[0-9]+(.[0-9]{2})

26个英文字母组成的字符串:[A-Za-z]+

数字和26个英文字母组成的字符串:[A-Za-z0-9]

Email地址:w+[-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*$

手机号码:^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$

作者:每天一个摸鱼技巧原文地址:https://blog.csdn.net/weixin_67668417/article/details/126100900

%s 个评论

要回复文章请先登录注册