Hive执行JSON存储的SQL时regexp_extract正则转义异常问题

该问题是两层转义规则叠加、转义字符数量计算错误导致的，具体链路如下：

• JSON层面：JSON规范规定反斜杠\是转义前缀字符，要在JSON字符串中表示1个字面意义的反斜杠，必须书写为\\；如果出现\s这类不在JSON合法转义序列范围内的写法，解析器会直接丢弃无效反斜杠，造成字符串内容错乱。
• Hive SQL层面：在Hive客户端直接执行SQL时，书写的\\s、\\|会先被Hive的SQL解析器处理，将两个连续反斜杠转义为1个反斜杠，最终传递给正则引擎的模式为\s\|，这是符合正则语法、可以正确匹配「空白符+竖线」的正确模式。

最初在JSON中书写的\\s\\|，经JSON解析后传递给Hive的内容为\s\|。Hive解析字符串时，\s、\|不属于Hive认可的合法字符串转义序列，会直接丢弃反斜杠，最终正则引擎拿到的模式变为s|。正则语法中|是优先级最低的「或」运算符，此时模式(.*)s|等价于「匹配任意字符直到遇到第一个字符s，或匹配空字符串」。测试文本First part | Second Part中第一个s出现在Fir之后，因此返回结果为Fir。
后续修改的\\\s\\\|转义数量仍然错误：3个连续反斜杠经JSON解析后仅能得到1个字面反斜杠，传递给Hive转义后依然无法生成正确的正则模式，因此执行结果没有变化。

只要保证JSON解析完成后，得到的SQL文本和Hive客户端中直接执行的测试SQL完全一致即可。
Hive客户端中书写的正则段'(.*)\\s\\|'共包含4个反斜杠，每个反斜杠都需要在JSON层面对应写2个反斜杠做转义，最终JSON里的正则段需要写为'(.*)\\\\s\\\\|'。
完整的正确JSON结构如下：

{
    "name": "query1",
    "query": "select regexp_extract(column, '(.*)\\\\s\\\\|', 1) as column_one from data"
}

可以先对该JSON做解析校验，打印query字段的内容，确认输出和Hive测试SQL完全一致后再执行，即可得到预期的First part结果。

内容的提问来源于stack exchange，提问作者legends1337