单独缩短Hive

Question

我有以下结构的网址：

https://pinball.globalzone.com/en_US/home?tic=1-dj33jl-dj33jl&goToRegisterNow=true

我现在要做的是缩短网址，以便能够对类似的网址格式进行分组和计数。例如，我想在保留其余内容的同时剪切https://，区域设置en_US/和令牌?tic=1-dj33jl-dj33jl。结果应如下所示：

pinball.globalzone.com/home&goToRegisterNow=true

我试图通过使用regexp_extract来实现这一点，但这种方法只能让我提取总是在同一位置的特定部分。

更大的问题是我要删除的部分是基于个人/规则的（即，语言环境总是包含两个小写字母和两个用下划线分隔的大写字母）或唯一没有保证长度的部分（即令牌）。

此外，我的结果集还将包含具有不同模式的URL，其中我只想剪切现有部分（例如https://pinball.globalzone.com/en_US/forgottenPassword，其中只需要剪切en_US/。

如果我必须快速解决问题，我只需要获取URL并编写一些Java或R代码，将获取的URL分成几部分并遍历数组，同时删除我不需要的所有部分。但是，我想知道是否有一种更优雅的方法可以直接从Hive获得这个结果。

Answer 1

怎么样？

(?:https?:\/\/|\/[a-z]{2}_[A-Z]{2}|[?&]tic=[^&?]*)

它与您描述为不需要的部分相匹配。用空字符串替换它应该会留下你想要的东西。

See it here at regex101

修改

已更新以检查tic=。应该让它更稳定。

我不知道这是不是你想要的，但是这个允许tic=成为任何参数，而不仅仅是第一个参数：

(?:https?:\/\/|\/[a-z]{2}_[A-Z]{2}|[?&]tic=[^&?\n]*)

Here at regex101