如何在Hive中从字符串提取完整email地址 regexp_extract正则问题

问题原因 #

你当前使用的正则@(.*)仅从@符号开始匹配，因此只能返回@及后续的域名部分，无法覆盖@前面的邮箱用户名。

正确正则规则 #

完整邮箱的匹配逻辑为：

• 用户名部分：可包含大小写字母、数字、下划线、小数点、中划线，至少1个字符
• 固定分隔符@
• 域名部分：由域名前缀、小数点、顶级域名组成，域名前缀规则同用户名，顶级域名至少2位字母

适配Hive的正则写法为：[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\\.[a-zA-Z]{2,}

注意：Hive中反斜杠需要二次转义，因此匹配小数点的\.要写为\\.

调整后SQL语句 #

Select regexp_extract('my email address is xxxxxx@gmail.com', '[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\\.[a-zA-Z]{2,}', 0);

执行后返回结果为：xxxxxx@gmail.com

补充说明 #

regexp_extract的第三个参数为0时返回整个正则匹配到的完整内容，若你后续需要单独提取邮箱用户名或域名，可将对应规则用括号包裹，修改第三个参数为对应分组序号即可。

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