Hive中提取字符串数字并转换为数组的实现咨询

当然可以实现！你之前用regex_replace去除字母的思路没问题，但要得到数组类型的结果，更高效可靠的方式是用Hive的regexp_extract_all函数，它能直接提取所有匹配的数字序列并返回数组，避免了split可能带来的空元素问题。

直接提取数字数组（字符串类型） #

假设你的表名为your_table，目标字符串列是col_a，可以用下面的SQL直接得到数字数组：

SELECT 
  col_a,
  regexp_extract_all(col_a, '\\d+', 0) AS col_b
FROM your_table;

• \\d+是正则表达式，匹配一个或多个连续数字；
• regexp_extract_all的第三个参数0表示提取整个匹配的子串，最终返回的col_b就是字符串类型的数组，比如输入ddjj3332 jjn32212 334334，输出就是["3332","32212","334334"]（Hive中数组的显示格式）。

转换为整数类型数组 #

如果需要把数组元素转为整数类型，可以搭配transform函数：

SELECT 
  col_a,
  transform(regexp_extract_all(col_a, '\\d+', 0), x -> cast(x AS INT)) AS col_b
FROM your_table;

这样col_b就会变成整数数组，比如[3332,32212,334334]。

为什么不推荐regex_replace + split？ #

你之前尝试的regex_replace去除字母后，得到的是空格分隔的数字字符串，再用split转数组的写法类似：

SELECT 
  col_a,
  split(regexp_replace(col_a, '[a-zA-Z]', ''), '\\s+') AS col_b
FROM your_table;

但这种方法有缺陷：如果原字符串开头/结尾有多余空格，或者字母去除后出现连续空格，split会生成空元素（比如输入 ddjj3332 jjn32212 ，会得到["","3332","32212",""]），而regexp_extract_all只会提取真正的数字序列，不会产生无效元素。

内容的提问来源于stack exchange，提问作者Priyanka