regex返回所有值，而不仅仅是第一次找到的值

我正在学习拉丁语，正在使用正则表达式。不确定正则表达式是否是语言不可知的，但下面是我要做的

如果我有一个包含两个字段的表：tweet id和tweet，我希望浏览每个tweet，并将所有提到的内容提取到3个

因此，如果一条tweet类似于“@tim bla@sam@joe something bla bla”，那么该tweet的行项目将具有tweet id，tim，sam，joe

原始数据的twitter ID不是实际的句柄，因此此正则表达式似乎返回一个提词

（.*）@user\uz（\\S{8}）（[：|]）（.*）

以下是我尝试过的：

a = load 'data.txt' AS (id:chararray, tweet:chararray);
b = foreach a generate id, LOWER(tweet) as tweet;

// filter data so only tweets with mentions
c = FILTER b BY tweet MATCHES '(.*)@user_(\\S{8})([:| ])(.*)';

 // try to pull out the mentions. 
 d = foreach c generate id, 
     REGEX_EXTRACT(tweet, '((.*)@user_(\\S{8})([:| ])(.*)){1}',3) as mention1,
     REGEX_EXTRACT(tweet, '((.*)@user_(\\S{8})([:| ])(.*)){1,2}',3) as mention2,
     REGEX_EXTRACT(tweet, '((.*)@user_(\\S{8})([:| ])(.*)){2,3}',3) as mention3;

e = limit d 20;
dump e;

所以在那次尝试中，我使用了量词，试图返回tweet{1}，{1,2}，{2,3}中匹配的第一、第二和第三个实例

那没用，提到1-3都是空的

所以我试着改变d：

d = foreach c generate id, 
         REGEX_EXTRACT(tweet, '(.*)@user_(\\S{8})([:| ])(.*)',2) as mention1,
         REGEX_EXTRACT(tweet, '(.*)@user_(\\S{8})([:| ])(.*)@user_(\\S{8})([:| ])(.*)',5) as mention2,
         REGEX_EXTRACT(tweet, '(.*)@user_(\\S{8})([:| ])(.*)@user_(\\S{8})([:| ])(.*)@user_(\\S{8})([:| ])(.*)',8) as mention3,

但是，这并没有返回提到的每个用户，而是返回了3次相同的提及。我原以为，通过剪切n再次粘贴表达式，我将获得第二个匹配，而第三次粘贴将获得第三个匹配

---

我不确定我对这个问题的理解有多好，但换一种说法，假设函数regex_extract（）返回一个匹配项数组。我希望在一行项目上提到[0]、提到[1]、提到[2]。

无论何时使用PATTERN\u EXTRACT或PATTERN\u EXTRACT\u ALL udf，请记住它只是由Java处理的纯正则表达式

通过本地Java测试更容易测试正则表达式。以下是我认为可以接受的正则表达式：

Pattern p = Pattern.compile("@(\\S+).*?(?:@(\\S+)(?:.*?@(\\S+))?)?");

String input = "So if a tweet goes something like @tim bla @sam @joe @bill something bla bla";
Matcher m = p.matcher(input);
if(m.find()){
    for(int i=0; i<=m.groupCount(); i++){
        System.out.println(i + " -> " + m.group(i));
    }
}

---

您甚至不需要先过滤数据。

请发布一些示例输入。如果您的正则表达式包含@user\u，它将查找包含单词“user\u”的用户名。\S+将匹配任何非空白字符，匹配用户，如

@sam、

或

@bob。

是。但在介绍中，Doug说“如果一条tweet类似“@tim bla@sam@joe something bla bla bla”，那么该tweet的行项目将有tweet id，tim，sam，joe.”，这与Regex冲突，Regex只保留以user_u开头的用户名。因此，我没有假设任何关于用户名的具体规则。谢谢。当我回到我的hadoop界面时，我现在实际上无法测试这个，我将尝试一下。

d = foreach c generate id, REGEX_EXTRACT_ALL(
         tweet, '@(\\S+).*?(?:@(\\S+)(?:.*?@(\\S+))?)?');