regex - 正则表达式全部使用 pig 提取

Question

这是我的示例数据(属性)，用于匹配:

[87027^适用年龄#619081^12-36个月,108389^国产/进口#619192^国产,108376^包装单位#619113^盒装,12210^分类#121491^牛奶粉,108385^奶源产地#619164^澳洲/新西兰,115919^配方#651827^常规配方奶粉,12212^段位#121499^3段,108380^净含量#619152^2kg以上]
[108385^奶源产地#619183^其它　,12212^段位#121499^3段,87027^适用年龄#619081^12-36个月,108376^包装单位#619120^桶装,108389^国产/进口#619196^进口,12210^分类#121491^牛奶粉,115919^配方#651827^常规配方奶粉,12241^价格#121803^200-299元,108380^净含量#619147^800-1000g]
[87027^适用年龄#619081^12-36个月,108389^国产/进口#619192^国产,108376^包装单位#619113^盒装,12210^分类#121491^牛奶粉,108385^奶源产地#619164^澳洲/新西兰,115919^配方#651827^常规配方奶粉,12212^段位#121499^3段,108380^净含量#619152^2kg以上]

因此，我试图与数字之间的所有值匹配。因此，对于第一条数据线，我想匹配每个值的87027和619081之间的值，以及619081和108389之间的值，依此类推。

到目前为止，这是我的代码:

data = LOAD 'SHORT.txt' USING PigStorage() AS (number:chararray, user:chararray, item:chararray, attributes:chararray);
B = FOREACH data GENERATE REGEX_EXTRACT_ALL (attributes, '\\^(.*?)[#|,|\\]]'); 

DUMP B;

如果您需要任何其他信息，请告诉我。谢谢!

Answer 1

此模式捕获您描述的内容:

\d+?(\^.+?[,#\]])

此处的示例:https://regex101.com/r/pOPWwY/2

看起来Hadoop需要反斜杠的两次转义，因此在测试上述内容时请记住这一点。

如果要排除标记, # ]，则:

\d+?(\^.+?)[,#\]]