Java/Hive 正则表达式解释

Question

简单的问题，谷歌正则表达式语法很难...

我正在浏览HortonWorks Hive tutorials (Hive 使用与 Java 相同的正则表达式)，以下 SELECT 语句使用正则表达式从可能是 JSON 数据中提取...

        INSERT OVERWRITE TABLE batting
        SELECT
        regexp_extract(col_value,'^(?:([^,]*)\.?){1}',1) player_id,
        regexp_extract(col_value,'^(?:([^,]*)\.?){2}',1) year,
        regexp_extract(col_value,'^(?:([^,]*)\.?){9}',1) run
        FROM temp_batting;

数据如下所示:

球员ID、年份ID、斯蒂特、球队ID、lgID、G、G_击球、AB、R、H、2B、3B、HR、RBI、SB、CS、BB、SO、IBB、HBP、SH、SF、GIDP、G_old aardsda01,2004,1,SFN,NL,11,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,11 aardsda01,2006,1,CHN,NL,45,43,2,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,45 aardsda01,2007,1,CHA,AL,25,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2

因此 PlayerID 位于第 1 列，年份位于第 2 列，R(运行)位于第 9 列。regexp_extract 如何成功提取此数据？

我对非捕获组很陌生，但在我看来整个事情都是一个非捕获组。另外，我习惯于看到 [0-9]{9} 形式的 {1}、{2} 或 {9}，这意味着它与 9 位数字匹配。在这种情况下，它看起来像是指向某个东西的第 9 个匹配项，这个语法叫什么？

Answer 1

首先分解正则表达式:

^(?:([^,]*)\.?){n}

• ^ 是 String 的开头
• (?:...){n} 是重复 n 次的非捕获组
• ([^,]*) 是否定字符类，它匹配“not ,”零次或多次
• \.? 是可选的(文字).

那么，这是如何工作的？

非捕获组仅适用于 numeric quantifier ，即它使组中的整个模式重复 n 次。

捕获的实际模式位于捕获组([^,]*)中。我不确定为什么存在可选的 .，并且在示例数据中我没有看到任何以 . 结尾的输入，但我认为有一些。

发生的情况是该组被捕获n次，但仅存储最后一次捕获，并且该捕获存储在第一个组中，即组1。这是regexp_extract中的默认值.

因此，当模式在第一种情况下重复一次时，我们捕获逗号分隔数组上的第一个元素。当模式在第二个示例中重复两次时，我们捕获第二个元素。当该模式重复九次时，就会捕获第九个元素。

模式本身实际上非常可怕，因为它允许重复零长度模式，这意味着如果存在不匹配的模式，正则表达式引擎可以回溯很多。我想这对您来说不是问题，但通常是不好的做法。

最好通过添加 + 使 [^,]* 成为所有格:

^(?:([^,]*+)\.?){n}

或者使整个非捕获组原子化:

^(?>([^,]*)\.?){n}