HIVE SQL regexp

《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有<<1984>>也蛮好看。

如何使用regexp_extract®exp_replace函数将以上文本中所有书籍名称都提取出来？

select 	substr(
				regexp_replace(
				regexp_extract(
				regexp_replace(regexp_replace('《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有<<1984>>也蛮好看。','<<','《'),'>>','》')
				,'(.*》)',1)
				,'.*?(《[^》|^《]+》)',',$1')
			,2) as books
;

代码解析:

step1:两个regexp_replace()依次将<<规整为《，将>>规整为》；

step2:regexp_extract正则提取满足pattern='.*》'时的值，此操作的主要目的为剔除最后一个书名号》后的文本内容

select 	
				regexp_extract(
				regexp_replace(regexp_replace('《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有<<1984>>也蛮好看。','<<','《'),'>>','》')
				,'(.*》)',1)
		
;

此时提取出来的结果为：

《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有《1984》

step3:regexp_replace将书名号前边的内容替换成，

#此处的是指第一个小括号中的匹配结果
select 	
				regexp_replace(
				'《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有《1984》'
				,'.*?(《[^》|^《]+》)',',')
;

此时提取出来的结果为：

,《平凡的世界》,《巴黎圣母院》,《1984》

此处需要注意的是：

*1）.正则表达式中用了非贪婪匹配.*?，如果使用贪婪匹配.*，最终返回的结果将会是

,《1984》

*2）若省去step2的操作，提取出来的结果不满足条件

select 	
				regexp_replace(
				regexp_replace(regexp_replace('《平凡的世界》评分不错，《巴黎圣母院》改变成的电影不错，还有<<1984>>也蛮好看。','<<','《'),'>>','》')
				,'.*?(《[^》|^《]+》)',',$1')
;

此时提取出来的结果为：

,《平凡的世界》,《巴黎圣母院》,《1984》也蛮好看。

step4:substr截取除第一个逗号之外的其余内容

select substr(',《平凡的世界》,《巴黎圣母院》,《1984》',2)
;

最终提取出来的结果为：

《平凡的世界》,《巴黎圣母院》,《1984》