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。

我正在解决一个涉及日期修改的示例问题。在此示例中，我的目标是获取与 SimpleDateFormat 解析不兼容的字符串日期，并进行一些小的调整以使其兼容。日期字符串（如下所示）需要在字符串中的偏移符号 (+/-) 前面添加“GMT”。

所以，给定输入：

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

我想要输出：

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

这是一个我“认为”可行的语句的简单示例，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\1');

实际结果：

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

注意“ ”应该输出匹配的组，而是用数字“1”替换匹配的组。

有人可以帮助我理解在替换字符串中引用/输出匹配组的正确方法吗？

谢谢！

Answer 1

Hive 支持的正则表达式反向引用符号（至少在 0.14 中是这样，我想我记得在 0.13.x 中也是这样）对于捕获组 1 似乎是

$1

，对于捕获组 2 是

$2

，等等。看起来它基于（甚至可能由 Matcher 类中的 replaceAll 方法实现）。这是该文档的相关部分：

美元符号可以被视为对捕获子序列的引用，如上所述，反斜杠用于转义替换字符串中的文字字符。

所以我想你想要的是这样的：

select regexp_replace('2015-01-01 02:03:04 +0:00', ' ([+-])', ' GMT$1'); 例如：

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

Answer 2

在尝试反向引用 REGEXP_REPLACE 中捕获的组时，“ ”和“$1”都对我不起作用。 然而这有效：

https://www.logicbig.com/tutorials/core-java-tutorial/java-regular-expressions/group-ref-in-replacement.html

示例：（用连字符替换哈希）

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.

Answer 3

带有捕获组的正则表达式正在我的 AWS Athena SQL 查询中运行（感谢@rchang）：

SELECT
  regexp_replace('toto-prod-titi-prod-tata', '-prod-(.*?)-prod-', '-uat-$1-uatr-')

给了我预期的结果：

toto-uat-titi-uatr-tata