如何豬

這是我的樣本數據使用REGEX_EXTRACT_ALL，如何豬

subId=00001111911128052627,towerid=11232w34532543456345623453456984756894756,bytes=122112212212212218.4621702216543667E17 
subId=00001111911128052639,towerid=11232w34532543456345623453456984756894756,bytes=122112212212212219.6726312167218586E17 
subId=00001111911128052615,towerid=11232w34532543456345623453456984756894756,bytes=122112212212212216.9431647633139046E17

我的預期產出將是一個元組，其中每個字段表示一個匹配的組：

（capturing_group1，capturing_group2，.. 。，capturing_groupN）

例如（00001111911128052627,11232w34532543456345623453456984756894756,122112212212212216.9431647633139046E17）

這是我的方法，

A = load '/home/hduser/Desktop/arrtest1.txt' using TextLoader as (line:chararray); 
b = FOREACH A GENERATE FLATTEN(REGEX_EXTRACT_ALL(line,'(.*)[subId=](.*)[towerid=](.*)[bytes=](.*)')) AS (F1,F2,F3);

但我沒有得到我的結果。

來源

2015-12-28 Rinku Buragohain

你有4個捕獲組定義，但你只需要3個。此外，你正在使用'[subId =]'等字符類匹配集合中的1個符號（'s'或'u'）。 ..或'='）。 '。*'太貪婪，所以你得到的結果是出乎意料的。嘗試'A = LOAD'/home/hduser/Desktop/arrtest1.txt'使用TEXTLOADER（）AS（LINE：CHARARRAY）; b = FOREACH A GENERATE FLATTEN（ REGEX_EXTRACT_ALL（LINE，'^ subId =（[^ =] *）bytes =（[^ =] *）$'）） AS ：CHARARRAY，F2：CHARARRAY，F3：CHARARRAY），LINE;' –

@stribizhev：''REGEX_EXTRACT_ALL''返回一個包含所有捕獲組的元組，逗號''''在數據結構中不在提取的字符串中（我已經在在線演示中重新創建了元組作爲字符串，只是爲了顯示與期望的OP結果匹配）。 –

根據您輸入的例子，你可以用這個表達式嘗試：

REGEX_EXTRACT_ALL(line,'subId=([^,]*),towerid=([^,]*),bytes=(.*)')

您可以檢查這個表達式at this link的行爲。

更新：爲什麼不使用.*來檢查字段？

默認克林運營商的貪婪的本性*導致正則表達式引擎，直到字符串的結束比賽，然後回去每次一個字符，並檢查正則表達式匹配的下一部分（例如，則搜索在第一個.*之後的逗號,）。

所以最終所有的正則表達式匹配以下，但不同的步驟來完成的過程：

[a-zA-Z]+=(.*),[a-zA-Z]+=(.*),[a-zA-Z]+=(.*) - 1142 steps

subId=([^,]*),towerid=([^,]*),bytes=(.*) - 96 steps。

如果你不關心的領域名稱和要純字母字段（大寫或小寫）：

(?i)[a-z]+=([^,]*)[a-z,]+=([^,]*),[a-z,]+=(.*) - 58 steps

NB：Apache的豬正則表達式引擎是基於Java的一個所以不區分大小寫的標誌(?i)也可能起作用。

來源

2015-12-28 12:51:00

b = FOREACH A GENERATE FLATTEN（REGEX_EXTRACT_ALL（line，'[a-zA-Z] + =（。*），[a-zA-Z] + =（。*），[a-zA-Z] + = （。*）'））AS（F1，F2，F3）;我這樣做了:-)謝謝。 –

@RinkuBuragohain：這種行爲有所不同：它不檢查字段的名稱，由於回溯，速度較慢：''。*''全部匹配到最後（每次使用），然後返回以檢查是否存在正則表達式可以匹配的一些點。 –

@RinkuBuragohain：我已經用一些基準更新了答案，關於使用''[^，] *''而不是''。*''。請注意，在我使用過的最後一個捕獲組中''。*''也導致它必須匹配直到結束 –

回答

相關問題