猪中的正则表达式匹配

Posted 2023-04-18

【中文标题】猪中的正则表达式匹配

【英文标题】：Regexp matching in pig

【发布时间】：2010-07-19 21:03:44

【问题描述】：

使用 apache pig 和文本

hahahah.  my brother just didnt do anything wrong. He cheated on a test? no way!

我正在尝试匹配“我的兄弟只是没有做错任何事。”

理想情况下，我希望匹配以“my brother just”开头并以标点符号（句末）或 EOL 结尾的任何内容。

查看 pig 文档，然后点击 java.util.regex.Pattern 的链接，我想我应该可以使用

extrctd = FOREACH fltr GENERATE FLATTEN(EXTRACT(txt,'(my brother just .*\\pPunct)')) as (txt:chararray);

但这似乎匹配到行尾。对进行这场比赛有什么建议吗？我已经准备好拔头发了，拔头发的意思是切换到 python 流媒体

【参考方案1】：

默认量词是greedy。这意味着它们尽可能匹配。在这种情况下，您只想匹配到第一个标点符号。换句话说，您希望尽可能少地匹配。

因此，要解决您的问题，您应该通过在其后立即添加 ? 来使 quanitifer 不贪心：

我的兄弟只是 .*?\\pPunct ^

请注意，此处使用? 与用作量词不同，后者表示“匹配零或一”。

【讨论】：

您介意解释一下贪婪的部分吗？我想我只会匹配单词 just、任何后续文本，直到第一个标点符号。

如果没有非贪婪，它不会匹配到标点符号的第一个实例，而是匹配到最后一个。

如果没有标点符号怎么办？如果没有标点符号，我希望它匹配到句末或 EOL。

更直观的答案可能是匹配“我的兄弟只是”之后的所有内容而不是标点符号，然后匹配标点符号。这样，“不是标点符号”部分将匹配每个单词/空格并在第一个标点符号处停止。

【参考方案2】：

你试过了吗：.*(my brother just .*\\pPunct)

看起来您的表达式希望 my brother 部分成为字符串的开头，但在您的示例中，它位于字符串的中间，因此您必须考虑 my brother 之前的所有内容。

【参考方案3】：

您正在匹配 .* 这就是...一切...尝试 [az]* 仅匹配字母