HiveSQL正则表达式的应用[转]

最近工作中数据处理方面用到很多不是特别容易处理的数据，用正则表达式的话会让语句显得特别精简，也可以用各种字符串截取函数嵌套处理（必须要有一定规律），总结一下经常用到的几个。

1.正则的通配符简介
   1）正则表达式的符号及意义   
       ^ 表示开头

$ 表示结尾

. 表示任意字符

* 表示任意多个

/
做为转意，即通常在"/"后面的字符不按原来意义解释，如/b/匹配字符"b"，当b前面加了反斜杆后//b/，转意为匹配一个单词的边界。
-或- 
对正则表达式功能字符的还原，如"*"匹配它前面元字符0次或多次，/a*/将匹配a,aa,aaa，加了"/"后，/a/*/将只匹配"a*"。

^ 匹配一个输入或一行的开头，/^a/匹配"an A"，而不匹配"An a"
$ 匹配一个输入或一行的结尾，/a$/匹配"An a"，而不匹配"an A"
* 匹配前面元字符0次或多次，/ba*/将匹配b,ba,baa,baaa
+ 匹配前面元字符1次或多次，/ba*/将匹配ba,baa,baaa
? 匹配前面元字符0次或1次，/ba*/将匹配b,ba
(x) 匹配x保存x在名为$1...$9的变量中
x|y 匹配x或y
{n} 精确匹配n次
{n,} 匹配n次以上
{n,m} 匹配n-m次
[xyz] 字符集(character set)，匹配这个集合中的任一一个字符(或元字符)
[^xyz] 不匹配这个集合中的任何一个字符
[/b] 匹配一个退格符
/b 匹配一个单词的边界
/B 匹配一个单词的非边界
/cX 这儿，X是一个控制符，//cM/匹配Ctrl-M
/d 匹配一个字数字符，//d/ = /[0-9]/
/D 匹配一个非字数字符，//D/ = /[^0-9]/
/n 匹配一个换行符
/r 匹配一个回车符
/s 匹配一个空白字符，包括/n,/r,/f,/t,/v等
/S 匹配一个非空白字符，等于/[^/n/f/r/t/v]/
/t 匹配一个制表符
/v 匹配一个重直制表符
/w 匹配一个可以组成单词的字符(alphanumeric，这是我的意译，含数字)，包括下划线，如[/w]匹配"$5.98"中的5，等于[a-zA-Z0-9]
/W 匹配一个不可以组成单词的字符，如[/W]匹配"$5.98"中的$，等于[^a-zA-Z0-9]。
'( )' 标记一个子表达式的开始和结束位置。
'[]' 标记一个中括号表达式。
/num 匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。

2）字符簇： 
        [[:alpha:]] 任何字母。
        [[:digit:]] 任何数字。
        [[:alnum:]] 任何字母和数字。
        [[:space:]] 任何白字符。
        [[:upper:]] 任何大写字母。
        [[:lower:]] 任何小写字母。
        [[:punct:]] 任何标点符号。
        [[:xdigit:]] 任何16进制的数字，相当于[0-9a-fA-F]

[[:<:]],[[:>:]] 标记表示word边界。它们分别与word的开始和结束匹配。word是一系列字字符，其前面和后面均没有字字符。字字符是alnum类中的字母数字字符或下划线(_)

3）各种操作符的运算优先级：
           / 转义符
          (), (?:), (?=), [] 圆括号和方括号
           *, +, ?, {n}, {n,}, {n,m} 限定符
          ^, $, anymetacharacter 位置和顺序

2.正则函数介绍
   1） regexp_extract
regexp_extract(str  , regexp  , idx)

参数解释:

其中：

str是被解析的字符串或字段名

regexp 是正则表达式

idx是返回结果 取表达式的哪一部分  默认值为1。

0表示把整个正则表达式对应的结果全部返回

1表示返回正则表达式中第一个() 对应的结果 以此类推

For example :

select regexp_extract('hitdecisiondlist','(i)(.*?)(e)', idx ) ;     ----   （.*?） 代表  0到多个任意字符，？代表非贪婪模式，意思是：取尽量少的任意字符

idx=0  结果：itde  ； idx=1  结果：i  ； idx=2 结果：td  ； idx=3 结果：e

由此可以看出从左开始括号内部的值是根据 idx的下标来确定的（起始位为1）

select  regexp_extract('insert overwrite table tmp_table_test  select * from table' , '(table)[[:space:]](.*)[[:space:]](select)',2) from dual

目的是取出要插入数据的目标表的表名（tmp_table_test） ，位置为2时 取得是(.*)匹配的字符串，位置为1时取得是（table）匹配的字符串 table，位置为3时取得是 （select）匹配的字符串 select

select
             REGEXP_EXTRACT('9.00w','([0-9]*)[[:punct:]]([0-9]*)[[:alpha:]]',1),
             REGEXP_EXTRACT('9.00w','([0-9]*)[[:punct:]]([0-9]*)[[:alpha:]]',2)
      from dual

大家可以试试这个语句的作用，验证一下上面说的是否正确，^_^

2） regexp_substr
regexp_substr(string, regex,postion,match_parameter)

string : 被解析的字符串或字段名

regex: 正则表达式

postion：其实位置

match_parameter：出现的次数

For example：

select regexp_substr('别克-君威2010款 2.4L A.MT 旗舰版2.3T','[[:alnum:]][[:punct:]][[:alnum:]][LT]',1,1)  from dual

分析： 上面正则的意思是 [[:alnum:]][[:punct:]][[:alnum:]][LT]  ===> 任何字母(不区分大小写)和数字+ 任何标点符号+任何字母和数字 +（L或者T）的组合

后面   1,1 的意思是从匹配的字符串起，符合正则且第一次出现的字符串

结果：  2.4L

换个方式提取  A.MT SQL语句如下

select regexp_substr('别克-君威2010款 2.4L A.MT 旗舰版2.3T','[[:alnum:]][[:punct:]][[:alnum:]][LT]',1,2)  from dual

如果提取2.3T ，把最后那个数字改成3即可，就不写sql了。累！

select
                 REGEXP_SUBSTR('9.00w','([0-9]*)[[:punct:]]([0-9]*)',1,1) 
                 from dual

大家可以验证一下这个语句！

3）regexp
 regexp的用法比较简单，就是个判断语句跟like、=、！=、not in 、in 的感觉一样

大家日常处理日期数据时，会出现yyyy-mm-dd这种不符合正常逻辑的情况，例如：1870-12-59/2018-02-29（瑞年和平年的问题） 等

废话不多说，直接上例子

select 1 from dual 
where '2017-09-31' REGEXP '(([0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]{1}|[0-9]{1}[1-9][0-9]{2}|[1-9][0-9]{3})-(((0[13578]|1[02])-(0[1-9]|[12][0-9]|3[01]))|((0[469]|11)-(0[1-9]|[12][0-9]|30))|(02-(0[1-9]|[1][0-9]|2[0-8]))))|((([0-9]{2})(0[48]|[2468][048]|[13579][26])|((0[48]|[2468][048]|[3579][26])00))-02-29)'

来把下面的表达式解剖了来看

'(([0-9]{3}[1-9]|     ----第一种组合前3位满足0~9，后1位满足1~9   （YYYY）

[0-9]{2}[1-9][0-9]{1}|    ----第二种组合前2位满足0~9，后1位满足1~9，最后1位满足0~9  （YYYY）

[0-9]{1}[1-9][0-9]{2}|     ----第三种组合第1位满足0~9，第2位满足1~9，最后2位满足0~9  （YYYY）

[1-9][0-9]{3})                ----第四种组合第1位满足1~9，后3位满足0~9  （YYYY）

-(((0[13578]|                ----第一种组合第1位是0，第2位 13578 （中括号 [  ]代表里面的元素是或的概念）  （MM）   01 03 05 07 08

1[02])               ----第二种组合第1位是1，第2位 02   （MM）   10 12

-(0[1-9]|                       ----第一种组合第1位是0，第2位 1~9    （DD）   01 ~ 09

[12][0-9]|                  ----第一种组合第1位是1或2，第2位 0~9    （DD）  10 ~29

3[01]))|                     ----第一种组合第1位是3，第2位  0或1   （DD）   30~31

上面考虑的是1 3 5 7 8 10 腊  31天永不差的原则，这个不会的话重读一边小学！

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

((0[469]|                      ----第一种组合第1位 0 ，第2位 469 （中括号 [  ]代表里面的元素是或的概念） （MM） 04 06 09

11)                      ----第二种组合是11  （MM）    11

-(0[1-9]|                     ----第一种组合第1位0，第2位 1~9   （DD） 01~09

[12][0-9]|                    ----第二种组合第1位1~2，第2位 0~9   （DD）  10~29

30))|                           ----第三种组合30   （DD）    30

上面考虑的是 4 6 9 11 月 都是30天

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

下面考虑的是瑞年、平年2月多少天的问题。

(02-(0[1-9]|[1][0-9]|2[0-8]))))|

((([0-9]{2})(0[48]|

[2468][048]|

[13579][26])|

((0[48]|[2468][048]|[3579][26])00))-02-29)'

正则表达式的函数太多了，先总结三个，如果还想看请点赞，凑齐20赞召唤我继续更新，包括上面缺了一块儿的日期问题，我补充完整
---------------------
作者：冯剑
来源：CSDN
原文：https://blog.csdn.net/u010215845/article/details/83275598
版权声明：本文为博主原创文章，转载请附上博文链接！