猪的每个循环中的正则表达式

Question

我目前正在使用UDF来获取输出，但是正则表达式会做同样的事情并且可能更快！

我在使用pig运行代码时出现问题，这是我尝试运行的代码行。

data = FOREACH f GENERATE FLATTEN(REGEX EXTRACT(col4,'(?:\.)([^\.]*\.?[^\.]*)$')) AS (url:chararray) ;

这行代码会出现错误语法错误，意外符号位于'（'

附近）

正则表达式的工作方式是获取google.co.uk并返回.co.uk，google.com将返回.com 点击此处：http://gskinner.com/RegExr/?372tm

然后我的想法是按照tld的数量来计算。例如3 co.uk

 countURL = group data by url;
 result = foreach countURL generate group, COUNT($1);

如果有人能提供帮助那就太棒了。

由于

Answer 1

有几件事：

• 您错过了_
中的regex_extract
• 您需要指定论坛0
• 这些点需要加双引号\\

data = FOREACH A GENERATE FLATTEN(REGEX_EXTRACT(url,'(?:\\.)([^\\.]*\\.?[^\\.]*)$', 0));

这为.com

提供google.com