Java/Hive正则表达式解释

直截了当的问题，只是很难用谷歌搜索正则表达式语法

我正在浏览（Hive使用与Java相同的正则表达式），下面的SELECT语句使用正则表达式从可能的JSON数据中提取

        INSERT OVERWRITE TABLE batting
        SELECT
        regexp_extract(col_value,'^(?:([^,]*)\.?){1}',1) player_id,
        regexp_extract(col_value,'^(?:([^,]*)\.?){2}',1) year,
        regexp_extract(col_value,'^(?:([^,]*)\.?){9}',1) run
        FROM temp_batting;

数据如下所示：

球员ID、年号、阶段、团队ID、lgID、G、G击球、AB、R、H、2B、3B、HR、RBI、SB、CS、BB、SO、IBB、HBP、SH、SF、GIDP、G_old AARDSD012004,1，SFN，NL，11,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,11 AARDSD012006,1，CHN，NL，45,43,2,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,45 AARDSD012007,1，CHA，AL，25,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2

所以PlayerID在第1列，year在第2列，R（runs）在第9列。regexp\u extract是如何成功提取此数据的

---

我不熟悉非捕获组，但在我看来整个组都是非捕获组。而且，我习惯于看到{1}、{2}或{9}的形式为[0-9]{9}，这意味着它匹配一个9位数字。在本例中，它看起来像是指向某物的第9个匹配项，这个语法叫什么

首先分离正则表达式：

^(?:([^,]*)\.?){n}

• ^

  是

  字符串的开头

• （？：…）{n}

  是重复

  n次的非捕获组

• （[^，]*）

  是一个否定字符类，它与“not

  ，

  ”匹配零次或多次

• \.？

  是可选的（文字）

那么，这是如何工作的呢

非捕获组仅用于，即，它使组中的整个图案重复

n次

正在捕获的实际模式位于捕获组
（[^，]*）
中。我不确定为什么会有可选的
，我在示例数据中没有看到任何以
结尾的输入，但我假设有一些

所发生的情况是，组被捕获
n次
，但仅存储最后一次捕获，并且该捕获存储在第一个组中，即组1。这是
regexp\u extract
中的默认值

因此，当模式在第一种情况下重复一次时，我们捕获逗号分隔数组上的第一个元素。当模式在第二个示例中重复两次时，我们捕获第二个元素。当模式重复九次时，第九个元素被捕获

该模式本身实际上非常可怕，因为它允许重复零长度的模式，这意味着如果存在不匹配的模式，正则表达式引擎可以回溯很多。我想这对你来说不是一个问题，但这通常是一个坏习惯

最好通过添加一个
+
，使
[^，]*
具有所有格：

^(?:([^,]*+)\.?){n}

或者使整个非捕获组原子化：

^(?>([^,]*)\.?){n}

我相信在这个网站上练习和学习正则表达式的一个好方法是：

只需将表达式粘贴到那里，然后删除/替换其中的一部分。这比试图通过视觉破译正则表达式更有意义。
不使用正则表达式的另一种方法是使用split函数

select split('aardsda01,2006,1,CHN,NL,45,43,2,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,45',',')[0] as player_id,
split('aardsda01,2006,1,CHN,NL,45,43,2,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,45',',')[1] as year,
split('aardsda01,2006,1,CHN,NL,45,43,2,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,45',',')[1] as runs

首先，非常好的回答，谢谢。两个问题：我在你链接的页面上没有看到数字量词{n}。我看到它是以[0-9]{n}的方式使用的，但这是另一种情况，它匹配括号n次之间的内容。在这种情况下，有括号，而不是匹配n个连续时间，它看起来像是说只存储第n个匹配？？第二，添加首字母^有什么意义？数据中没有空格，所以在我看来，一切都是字符串的开始。第三，*+在你的修正中起什么作用？以前从未见过这种情况。@user1956609
{n}
重复前面的模式
n
次-不管它是
[]
还是
（）
-区别在于
[]
是单个字符，
（）
是模式分组。请阅读我对该匹配的解释，因为该组位于重复模式中，只有最后一个匹配被捕获。最后，将
+
添加到量词中可以使其成为量词。