参考维基百科、Hadoop Hive概念学习系列之hive的正则表达式初步（六）和Hive 正则匹配函数

之前没有在意过正则表达式，但是工作组不可避免的遇到了，感觉也比较重要，就花点时间理解一下。

一、正则表达式简介

正则表达式的目的：对字符串str进行解析，用正则表达式(pattern)进行匹配，并得到我们想要的符合模板pattern的字符串。

一个正则表达式通常被称为一个模式（pattern），为用来描述或者匹配一系列匹配某个句法规则的字符串。例如：Handel、Händel和Haendel这三个字符串，都可以由H(a|ä|ae)ndel这个模式来描述。

同一个正则表达式可以匹配多个字符串。
例如，goo+gle可以匹配google、gooogle、goooogle等
0*42可以匹配42、042、0042、00042等。

反过来说，对于google、gooogle、goooogle我们都可以用正则表达式“goo+gle”匹配得到。而google、gooogle、goooogle就算我们想要的符合模板pattern的字符串。

二、hive正则表达式匹配函数

举两个经常用到的：regexp_extract 与 regexp_replace

2.1、regexp_extract函数

regexp_extract(str, regexp[, idx]) 字符串正则表达式解析函数。

extracts a group that matches regexp

参数解释：

• str是被解析的字符串或字段名

• regexp 是正则表达式

• idx是返回结果 取表达式的哪一部分 默认值为1。

其中还有几个符号与idx需要注意的地方。
小括号( )标记一个子表达式的开始与结束的位置。
**1表示返回正则表达式中第一个() 对应的结果 **。
2表示返回正则表达式中第二个() 对应的结果

0表示把整个正则表达式对应的结果全部返回

举例：

hive> select regexp_extract('IloveYou','(I)(.*?)(You)',1) from test1 limit 1;

Total jobs = 1

...

OK

I

Time taken: 26.057 seconds, Fetched: 1 row(s)

返回第一个（）对应的结果。

hive> select regexp_extract('IloveYou','I(.*?)(You)',1) from test1 limit 1;

Total jobs = 1

...

Total MapReduce CPU Time Spent: 7 seconds 340 msec

OK

love

Time taken: 28.067 seconds, Fetched: 1 row(s)

此时，第一个（）中对应结果是love，所以返回“love”。

hive> select regexp_extract('IloveYou','(I)(.*?)(You)',0) from test1 limit 1;

Total jobs = 1

...

OK

IloveYou

Time taken: 28.06 seconds, Fetched: 1 row(s)

因为idx是0，所以返回整个正则表达式匹配的结果。

2.1、regexp_replace函数

语法: regexp_replace(string A, string B, string C)
返回值: string
说明：将字符串A中的符合Java正则表达式B的部分替换为C。

注意，在有些情况下要使用转义字符,类似Oracle中的regexp_replace函数。

举例说明：

把A中符合正则表达式B的部分（这里为You）替换为C（这里为空字符串“”）

hive> select regexp_replace("IloveYou","You","") from test1 limit 1;

Total jobs = 1

...

OK

Ilove

Time taken: 26.063 seconds, Fetched: 1 row(s)

把A中符合正则表达式B的部分（这里为You）替换为C（这里为字符串“linlin”）

hive> select regexp_replace("IloveYou","You","lili") from test1 limit 1;

Total jobs = 1

...

OK

Ilovelinlin