單獨縮短蜂房

網址，我有以下結構的網址：單獨縮短蜂房

https://pinball.globalzone.com/en_US/home?tic=1-dj33jl-dj33jl&goToRegisterNow=true

我想現在要做的就是縮短的URL能夠組和計數類似的URL模式。例如，我想刪除https://，區域en_US/和標記?tic=1-dj33jl-dj33jl，同時保留其餘部分。結果應如下所示：

pinball.globalzone.com/home&goToRegisterNow=true

我試圖做到這一點通過使用regexp_extract但這種方法只允許我提取特定的部件，它們總是在相同的位置。

更大的問題是我想要裁剪的部分是單獨的/基於規則（即語言環境總是包含兩個小寫字母和兩個大寫字母，由下劃線分隔）或唯一且沒有保證長度（即令牌）。此外，我的結果集還將包含具有不同模式的URL，其中我只想要剪切現有部分（例如https://pinball.globalzone.com/en_US/forgottenPassword，其中只有en_US/必須剪掉）。

如果我必須快速解決問題，我只需要獲取URL並編寫一些Java或R代碼，以便將獲取的URL拆分爲多個部分，並在數組中迭代，同時刪除不需要的所有部分。不過，我想知道是否有更優雅的方式直接從Hive中獲得此結果。

來源

2016-09-16 jd1338

是令牌總是第一個參數？ – ClasG

並且不應該在第二個示例中刪除https：//？ – ClasG

是的，'tic ='總是標識該標記。第二個示例代表切割任何內容之前的基本URL。但是，「https：//」也需要刪除。 – jd1338

什麼

(?:https?:\/\/|\/[a-z]{2}_[A-Z]{2}|[?&]tic=[^&?]*)

據你描述爲不需要的部分相匹配。將它替換爲空字符串應該讓你想要什麼。

See it here at regex101。

編輯

更新檢查tic=。應該讓它更穩定。

我不知道這是否是你想要的，但是這一次允許tic=是任何參數，不僅是第一個：

(?:https?:\/\/|\/[a-z]{2}_[A-Z]{2}|[?&]tic=[^&?\n]*)

Here at regex101

來源

2016-09-16 13:01:50 ClasG

非常感謝！ – jd1338

單獨縮短蜂房

回答

相關問題