如何在 impala regexp_extract 方法中使用正则表达式 OR 运算符并获得不同的捕获组

Posted 2023-03-22

【中文标题】如何在 impala regexp_extract 方法中使用正则表达式 OR 运算符并获得不同的捕获组

【英文标题】：How to use regex OR operation in impala regex_extract method and get different capture group

【发布时间】：2017-01-18 08:32:16

【问题描述】：

我有以下table1 属性co：

|-----------------------------------------
| co
|-----------------------------------------
| fsdsdf "This one" fdsfsd ghjhgj "sfdsf"
| Just This 
|-----------------------------------------

如果有引号 - 我想获得第一次出现的内容。如果没有引号，我想按原样返回内容。 对于上面的例子： 对于第一行 - This one 对于第二行 - Just This 我在 Impala 中有解决第一种情况的 SQL 代码：

select regexp_extract (co, '"([^"]*")',1) from table1

如何将其概括为检测并返回下一个案例所需的结果？

【问题讨论】：

我猜你可以在你的sql中使用COALESCE或IF()，如果不匹配则返回hole string。

SQL 不是执行此操作的最佳工具。您是如何最终不得不在 Impala 中清理这些数据的？

数据已经在 impala 中。我想使用 REGEX 功能而不是上面的 SQL 功能，因为它更有效。我认为解决方案可以在 REGEX 中使用 OR 表达式，例如：***.com/questions/8020848/…

【参考方案1】：

你不能在 impala 中概括它。就您遇到的问题而言，它需要 OR |在你的正则表达式中实现。使用 regex_extract 您需要输入捕获组编号。到底 。例如

select regexp_extract (co, '"([^"]*")',1) from table1

但与 |正则表达式中的操作数，捕获组对于两种情况都必须不同。您无法在 regex_extract 方法中定义。

说如果 (A)|(B) 是您的正则表达式，那么您的第一个案例捕获组将是 1 并且您的第二个案例捕获组将是 2 。但是你不能把 1 和 2 都放在你的 regex_extract 语法中。

通用正则表达式语法将是（我猜这在 impala 分组中不起作用）：

^(?!.*")(.*)$|^[^"]*"(.*?)".*$

Watch out the capture groupings

在链接中，您将看到 “This One” 被捕获为第 2 组 Just this 被捕获为第 1 组

【参考方案2】：

使用联合检查此项。

 select regexp_extract (co, '"([^"]*")',1) from table1
 union
 select co from table1 where co like '"%"'

【讨论】：

那不是正则表达式 OR ，不是吗？

【参考方案3】：

您可以使用if 函数并将RegEx 函数放入其中作为参数。所以，

if(regexp_like(co,'"'),
   regexp_extract(co,'"([^"]*)',1), co)