通过在猪拉丁中取出匹配的正则表达式来过滤结果

Question

我有一些包含url字符串的数据，这些字符串都嵌入了各种子字符串。

我的目标是获取一组从字符串中删除子字符串的结果：

e.g。

rawdata：{   id龙，   url字符串 }

这里是一些示例rawdata： 1，/ 213112341_v1.html 2,43524254243_v2.html 5，/ 000000_v3.html 5，/ 000000_v4.html

我想要的结果是：

1，/ 213112341.html 2,43524254243.html 5，/ 000000.html

所以基本上从网址中删除teh subversion数字（_v1 | _v2 | v3 | _v4）并创建唯一结果。

我如何在猪身上做到这一点？

谢谢，

Answer 1

您最好的选择是做以下事情：

FOREACH data GENERATE id, CONCAT(REGEX_EXTRACT(url, '(/?[0-9]*)_,',1),'.html');

编辑：

如果数据更复杂，请尝试以下方法

FOREACH data GENERATE id, CONCAT(STRSPLIT(url, '_v[0-9]',1),'.html')

这应该在版本＃之前获得所有内容，并且concat将.html添加回来。如果前面的版本号和版本号后面的部分更复杂，你可以做类似的事情：

FOREACH data GENERATE id, CONCAT(FLATTEN(STRSPLIT(url, '_v[0-9]',2)))