HIVE SQL regexp_extract和regexp_replace配合使用正则提取多个符合条件的值

《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

&

regexp_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$1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》','.*?(《[^》|^《]+》)',',$1');

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》