如何在蜂巢中使用regexp_extract

Question

我正在尝试使用regexp_extract提取以下字符串的一部分，但没有成功：

  

CUST_NEW_ACCOUNTS_LINES_2019-03-03.dat.gz

我只想获取日期部分。在regex101.com网站上，这似乎可行，但是蜂巢给我一个错误消息。

regexp_extract(meta_source_filename,'^(?:[^_]+_){4}([^_]+)') file_date

有人可以帮助我了解这里的错误之处吗？我对regexp_extract语法一点都不熟悉，因此一直在使用另一个函数作为起点。
谢谢！

Answer 1

with your_data as (
select 'CUST_NEW_ACCOUNTS_LINES_2019-03-03.dat.gz' str
)

select regexp_extract(str,'_(\\d{4}(-\\d{2}){2})\\.',1)
from your_data;

结果：

OK
2019-03-03
Time taken: 0.062 seconds, Fetched: 1 row(s)

表达式'_(\\d{4}(-\\d{2}){2})\\.'的意思是：

下划线_四位数\\d{4}重复两次（连字符和两位数）(-\\d{2}){2}点\\.

捕获组编号1（仅日期）：(\\d{4}(-\\d{2}){2})。 在Hive中，您需要使用\\进行屏蔽。

Answer 2

您已将所需的子字符串捕获到捕获组中。您应该使用数字，组的ID作为第三个参数：

regexp_extract(meta_source_filename,'^(?:[^_]+_){4}([^_]+)', 1) file_date
                                                             ^

请参阅regexp_extract(string subject, string pattern, int index)文档：

  

'index'参数是Java regex Matcher group（）方法的索引。有关'index'或Java regex group（）方法的更多信息，请参见docs/api/java/util/regex/Matcher.html。