我使用PIG生成最近访问过的网址列表。在每个URL中,都有一串数字代表访问过的产品页面。我试图使用regex_extract_all()
函数只提取数字字符串,其长度从6到8不等。数字字符串可以在jobs2/view/
后直接找到,通常以+&cd
结尾,但有时可能会以)
结尾。
以下是一些示例网址:
(http://a.com/search?q=cache:QD7vZRHkPQoJ:ca.xyz.com/jobs2/view/17069404+&cd=1&hl=en&ct=clnk&gl=ca) (http://a.com/search?q=cache:G9323j2oNbAJ:ca.xyz.com/jobs2/view/5977065+&cd=1&hl=en&ct=clnk&gl=ca) (http://a.com/search?q=cache:aNspmG11qAJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=clnk&gl=hk) (http://a.com/search?q=cache:aNspmG11AJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=clnk&gl=hk) (http://a.com/search?q=cache:aNspmG11qAJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=cl k& gl = hk)
这是我正在使用的当前正则表达式:
J = FOREACH jpage GENERATE FLATTEN(REGEX_EXTRACT_ALL(TEXTCOLUMN, '\/view\/(\d+)\+\&')) as (output:chararray)
我也尝试过其他形式,例如:
'[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]'
,'view.([0-9]+)'
,'view\/([\d]+)\+'
,
'[0-9][0-9][0-9]+'
,和
'[0-9][0-9][0-9]*'
;没有一个工作。
任何人都可以在这里提供帮助,或者采取其他方式解决问题吗?
非常感谢, MM
答案 0 :(得分:1)
“意外字符'D'”的原因是,您需要使用双反斜杠而不是单反斜杠。例如,只需将[\ d +]替换为[\\ d +]
这里是您的解决方案,请验证所有输入字符串
input.txt
http://a.com/search?q=cache:QD7vZRHkPQoJ:ca.xyz.com/jobs2/view/17069404+&cd=1&hl=en&ct=clnk&gl=ca
http://a.com/search?q=cache:G9323j2oNbAJ:ca.xyz.com/jobs2/view/5977065+&cd=1&hl=en&ct=clnk&gl=ca
http://a.com/search?q=cache:aNspmG11qAJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=clnk&gl=hk
http://a.com/search?q=cache:aNspmG11AJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=clnk&gl=hk
http://a.com/search?q=cache:aNspmG11qAJ:hk.xyz.com/jobs2/view/16988928+&cd=2&hl=zh-TW&ct=clk&gl=hk
http://a.com/search?q=cache:aNspmG11qAJ:hk.xyz.com/jobs2/view/16988928)=2&hl=zh-TW&ct=clk&gl=hk
http://webcache.googleusercontent.com/search?q=cache:http://my.linkedin.com/jobs2/view/9919248
Updated Pigscript:
A = LOAD 'input.txt' as line;
B = FOREACH A GENERATE REGEX_EXTRACT(line,'.*/view/(\\d+)([+|&|cd|)?]+)?',1);
dump B;
(17069404)
(5977065)
(16988928)
(16988928)
(16988928)
(16988928)
答案 1 :(得分:0)
我不熟悉PIG,但这个正则表达式符合您的目标:
(?<=/jobs2/view/)\d+
通过使用后面的(非消费)外观,整个匹配(不仅仅是匹配的组)是您的号码。