hive匹配中文

select regexp_extract('ab中文123測試55。。', '[\u4e00-\u9fa5]+', 0) 

只提出成功第一段中文漢字，結果爲：

中文

 

 

select regexp_replace('ab中文123測試55。。', '[\u4e00-\u9fa5]+', "") 

只去掉了中文漢字，沒去掉全角符號，結果爲：

ab12355。。

 

備註unicode編碼範圍：

2E80～33FFh：中日韓符號區。收容康熙字典部首、中日韓輔助部首、注音符號、日本假名、韓文音符，中日韓的符號、標點、帶圈或帶括符文數字、月份，以及日本的假名組合、單位、年號、月份、日期、時間等。

3400～4DFFh：中日韓認同表意文字擴充A區，總計收容6,582箇中日韓漢字。

4E00～9FFFh：中日韓認同表意文字區，總計收容20,902箇中日韓漢字。

A000～A4FFh：彝族文字區，收容中國南方彝族文字和字根。

AC00～D7FFh：韓文拼音組合字區，收容以韓文音符拼成的文字。

F900～FAFFh：中日韓兼容表意文字區，總計收容302箇中日韓漢字。

FB00～FFFDh：文字表現形式區，收容組合拉丁文字、希伯來文、阿拉伯文、中日韓直式標點、小符號、半角符號、全角符號等。

普通函數：

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

分析函數：

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics