REGEXP_REPLACE 捕获组

Question

我想知道是否有人可以帮助我了解如何使用 Hive 的 regexp_replace 函数来捕获正则表达式中的组并在替换字符串中使用这些组。

我有一个我正在解决的示例问题，涉及日期修改。在此示例中，我的目标是采用与 SimpleDateFormat 解析不兼容的字符串日期并进行小幅调整以使其兼容。日期字符串（如下所示）需要在字符串中的偏移符号 (+/-) 前加上 "GMT"。

因此，给定输入：

  '2015-01-01 02:03:04 +0:00' 
  -or-
  '2015-01-01 02:03:04 -1:00'

我要输出：

  '2015-01-01 02:03:04 GMT+0:00'
  -or-
  '2015-01-01 02:03:04 GMT-1:00'

这是一个简单的语句示例，我 'thought' 可以工作，但我得到了奇怪的输出。

Hive 查询：

select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT');

实际结果：

2015-01-01 02:03:04 GMT10:00

注意“\1”应该输出匹配的组，而是用数字“1”替换匹配的组。

谁能帮我理解 reference/output 替换字符串中匹配组的正确方法？

谢谢！

Answer 1

Hive 支持的表示法（至少对于 0.14，我想我记得 0.13.x 也是这样）对于正则表达式反向引用似乎是 </code> 对于捕获组 1， <code> 用于捕获组 2，等等。看起来它是基于（甚至可能由）replaceAll method from the Matcher class 实现的。这是该文档的相关部分：

Dollar signs may be treated as references to captured subsequences as described above, and backslashes are used to escape literal characters in the replacement string.

所以我想你想要的是这个：

select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT');

例如：

hive> select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT');
OK
2015-01-01 02:03:04 GMT+0:00
Time taken: 0.072 seconds, Fetched: 1 row(s) 
hive> select regexp_replace('2015-01-01 02:03:04 -1:00', ' ([+-])', ' GMT');
OK
2015-01-01 02:03:04 GMT-1:00
Time taken: 0.144 seconds, Fetched: 1 row(s)

Answer 2

在尝试 back-reference REGEXP_REPLACE 中捕获的组时，'\1' 和 '$1' 对我都不起作用。然而这有效： https://www.logicbig.com/tutorials/core-java-tutorial/java-regular-expressions/group-ref-in-replacement.html

示例：（用连字符替换散列）

hive> select REGEXP_REPLACE('foo#bar','(?<tag1>foo)#(?<tag2>bar)', '${tag1}-${tag2}');
OK
foo-bar
Time taken: 0.085 seconds, Fetched: 1 row(s)

Hope this is helpful.

REGEXP_REPLACE 捕获组

REGEXP_REPLACE capturing groups

regex

hadoop

hive

regexp-replace