REGEXP_REPLACE 捕获组

Posted 2023-03-28

【中文标题】REGEXP_REPLACE 捕获组

【英文标题】：REGEXP_REPLACE capturing groups

【发布时间】：2015-04-19 23:02:06

【问题描述】：

我想知道是否有人可以帮助我了解如何使用 Hive 的 regexp_replace 函数来捕获正则表达式中的组并在替换字符串中使用这些组。

我有一个我正在解决的示例问题，它涉及日期修改。在此示例中，我的目标是获取一个与 SimpleDateFormat 解析不兼容的字符串日期，并进行小幅调整以使其兼容。日期字符串（如下所示）需要在字符串中的偏移符号 (+/-) 前加上“GMT”。

所以，给定输入：

  '2015-01-01 02:03:04 +0:00' 
  -or-
  '2015-01-01 02:03:04 -1:00' 

我想要输出：

  '2015-01-01 02:03:04 GMT+0:00'
  -or-
  '2015-01-01 02:03:04 GMT-1:00'

这是一个我“认为”可行的语句的简单示例，但我得到了奇怪的输出。

Hive 查询：

select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT\1');

实际结果：

2015-01-01 02:03:04 GMT10:00

注意“\1”应该输出匹配的组，而是用数字“1”替换匹配的组。

有人可以帮我理解在替换字符串中引用/输出匹配组的正确方法吗？

谢谢！

【参考方案1】：

Hive 支持的表示法（至少对于 0.14，我想我记得对于 0.13.x 也是这种方式）对于正则表达式反向引用似乎是 $1 用于捕获组 1，$2 用于捕获组 2，等等。它看起来像是基于（甚至可能由）replaceAll method from the Matcher class 实现的。这是该文档的相关部分：

如上所述，美元符号可以被视为对捕获的子序列的引用，并且反斜杠用于转义替换字符串中的文字字符。

所以我想你想要的是这样的：

select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT$1');

例如：

hive> select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT$1');
OK
2015-01-01 02:03:04 GMT+0:00
Time taken: 0.072 seconds, Fetched: 1 row(s) 
hive> select regexp_replace('2015-01-01 02:03:04 -1:00', ' ([+-])', ' GMT$1');
OK
2015-01-01 02:03:04 GMT-1:00
Time taken: 0.144 seconds, Fetched: 1 row(s)

【参考方案2】：

在尝试反向引用 REGEXP_REPLACE 中捕获的组时，“\1”和“$1”都对我有用。 然而这有效： https://www.logicbig.com/tutorials/core-java-tutorial/java-regular-expressions/group-ref-in-replacement.html

一个例子：（用连字符代替散列）

hive> select REGEXP_REPLACE('foo#bar','(?<tag1>foo)#(?<tag2>bar)', '$tag1-$tag2');
OK
foo-bar
Time taken: 0.085 seconds, Fetched: 1 row(s)

Hope this is helpful.