regex - pig : extracting email details from raw text using REGEX

Question

我正在尝试使用 Pig 从原始文本中提取电子邮件详细信息。

这是示例数据:

Sample data for email <a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="8cedeeefa2bdbebfccebe1ede5e0a2efe3e1" rel="noreferrer noopener nofollow">[email protected]</a>
Sample data for email <a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="443c3d3e042526276a272b29" rel="noreferrer noopener nofollow">[email protected]</a>

我正在尝试使用 REGEX 方法，正则表达式取自:http://www.mkyong.com/regular-expressions/how-to-validate-email-address-with-regular-expression/

这是脚本:

A = Load '----' using PigStorage as (value: chararray);
B = FOREACH A GENERATE FLATTEN(REGEX_EXTRACT_ALL(value, '^[_A-Za-z0-9-\\+]+(\\.[_A-Za-z0-9-]+)*@[A-Za-z0-9-]+(\\.[A-Za-z]{2,})$')) AS (f1: chararray)
dump B;

将输出转储到终端后，我得到空白输出:

()
()

脚本语法有问题吗？

请分享一些有关正则表达式编写的链接，这将非常有帮助。

感谢您的帮助，谢谢。

Answer 1

对于以下输入数据

<a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="f1909392dfc0c3c2b1969c90989ddf929e9c" rel="noreferrer noopener nofollow">[email protected]</a>
<a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="0b7372714b6a696825686466" rel="noreferrer noopener nofollow">[email protected]</a>

代码的输出是

.123 .com
     .com

所以您的代码中存在一些问题

1. 您需要在整个正则表达式周围添加括号以捕获完整的电子邮件地址。如果每一行中只有一个标记(单词或电子邮件 ID)，则该代码应该可以工作

2. 如果每个输入行都可以是一个句子，那么你必须先tokenize然后在 token 上您可以进行正则表达式匹配。

您的正则表达式仅适用于 token 而不适用于行的原因是“^”表示字符串开头，“$”表示字符串结尾，因此只有当整行都是电子邮件时匹配才会成功-id 意味着每行只能有一个 token 。