在Hadoop中使用正则表达式提取字符串指定内容的问题

目标字符串：BCRIS-QUEBEC.C67950210QC.5147650116.O5000977510.RD02.0026.00001.DistributionPair.O，需提取DistributionPair前第3个点分隔段（即示例中的RD02）到Dist_Cu_Cable列。

原代码问题点 #

1. 正则匹配逻辑偏差：原正则的贪婪匹配可能捕获到非目标位置的字段，无法精准定位到DistributionPair前的目标段。
2. 代码冗余：内层CASE判断多余，外层已过滤包含distributionpair的记录。
3. 工具选择不当：用REGEXP_REPLACE实现提取不如REGEXP_EXTRACT直接高效。

解决方案一：Split+数组定位（直观易维护） #

通过分割字符串为数组，定位DistributionPair的位置后直接取对应元素：

MAX(
    CASE 
        WHEN lower(associatedwoi_id) LIKE '%distributionpair%' 
        THEN 
            CASE
                WHEN size(arr) >= 8 THEN arr[dp_idx - 3]
            END
    END
) AS Dist_Cu_Cable
FROM (
    SELECT 
        associatedwoi_id,
        split(associatedwoi_id, '\\.') AS arr,
        -- 将DistributionPair的位置转为0-based索引
        array_position(split(lower(associatedwoi_id), '\\.'), 'distributionpair') - 1 AS dp_idx
    FROM your_table
) t

• split(associatedwoi_id, '\\.')：按点分割字符串为数组。
• array_position(...)：找到小写后数组中distributionpair的1-based位置，转换为0-based索引。
• arr[dp_idx - 3]：取DistributionPair前第3个元素（示例中dp_idx=7，7-3=4对应RD02）。

解决方案二：REGEXP_EXTRACT（简洁高效） #

直接用正则提取目标字段，无需复杂嵌套：

MAX(
    CASE 
        WHEN lower(associatedwoi_id) LIKE '%distributionpair%' 
        THEN REGEXP_EXTRACT(associatedwoi_id, '(?i)\\.([^.]+)\\.[^.]+\\.[^.]+\\.DistributionPair', 1)
    END
) AS Dist_Cu_Cable

• (?i)：开启不区分大小写匹配，兼容distributionpair的大小写变体。
• \\.([^.]+)\\.[^.]+\\.[^.]+\\.DistributionPair：匹配.[目标字段].[任意字段].[任意字段].DistributionPair结构，捕获组1即为目标字段。
• REGEXP_EXTRACT(..., 1)：提取第一个捕获组的内容。

内容的提问来源于stack exchange，提问作者user21294168