Regex HiveQL：解析字符串和计数

我使用HiveQL处理存储在HDFS中的数百万行域名文本数据。下面是一个手工选择的子集，用于说明词汇多样性。有重复的条目

dnsvm.mgmtsubnet.mgmtvcn.oraclevcn.com.
mgmtsubnet.mgmtvcn.oraclevcn.com.
asdf.mgmtvcn.oraclevcn.com.
dnsvm.mgmtsubnet.mgmtvcn.oraclevcn.com.
localhost.
a.localhost.
img.pulsemgr.com.
36.136.154.156.in-addr.arpa.
accounts.spotify.com.
_dmarc.ixia-devops.com.
&eventtype=close&reason=4&duration=35.
&eventtype=close&reason=3&duration=10336.

我试图根据域的最后两个级别获取行数，其中有时缺少第二个级别（即

localhost.

）。例如：

domain_root     count
oraclevcn.com.  4
localhost.      1
a.localhost.    1
pulsemgr.com.   1
in-addr.arpa.   1
spotify.com.    1
ixia-devops.com 1

这将是很高兴也看到如何筛选出域名第二级是缺席

我不知道从哪里开始。我见过使用

SPLIT（）

函数，但这可能并不可靠，因为一个域名可能有很多级别，例如：a.b.c.d.e.f.g.h.I等

---

如有任何想法，我们将不胜感激。

下面是带有regexp\u extract的查询

select domain_root, count(*) from (select regexp_extract('dnsvm.mgmtsubnet.mgmtvcn.oraclevcn.com.', '[A-Za-z0-9-]+\.[A-Za-z0-9-]+\.$', 0) as domain_root from table) A group by A.domain_root -- replace first argument with column name

正则表达式将为具有字母数字和特殊字符'-'的域根进行提取

希望这有帮助