关于Hive常用的字符串处理函数：
| 函数 | 参数格式 | 内容 |
|---|---|---|
| ascii | ascii(string str) | 返回传入字符串的第一个字符的ASCII编码 |
| base64 | base64(binary bin) | 将传入的二进制参数转换为base 64 字符串 |
| character_length | character_length(string str) | 返回字符串长度（字符串需为UTF8编码） |
| chr | chr(bigint|double A) | 将传入数字当做ASCII编码，并转换为对应字符，若传入参数超过256，则转换为chr(A % 256) |
| concat | concat(string|binary A, string|binary B…) | 将传入的字符串A,B合并为新的字符串，concat(‘foo’, ‘bar’)结果为’foobar’ |
| context_ngrams | context_ngrams(array<array>, array, int K, int pf) | 从一组标记化的句子中返回前k个文本。例如select context_ngrams(sentences(‘hello word!hello hive,hi hive,hello hive’),array(‘hello’,null),4) from A，会返回[{“ngram”:[“hive”],“estfrequency”:7141046.0},{“ngram”:[“word”],“estfrequency”:3570523.0}]，即最经常在"hello"后出现的单词，并统计其频次,有统计聚合作用 |
| concat_ws | concat_ws(string SEP, string A, string B…)或 concat_ws(string SEP, array<string>) | 与concat作用类似，但是支持自定义的分隔符SEP |
| decode | decode(binary bin, string charset) | 使用charset方式，将二进制bin解码为字符串。支持的字符集有：‘US-ASCII’, ‘ISO-8859-1’, ‘UTF-8’, ‘UTF-16BE’, ‘UTF-16LE’, ‘UTF-16’ |
| elt | elt(N int,str1 string,str2 string,str3 string,…) | 返回给定字符串集中的第N个，若不存在则返回null。例如elt(2,‘hello’,‘world’) 返回’world’ |
| encode | encode(string src, string charset) | 使用charset方式，将字符串src编码为二进制bin。支持的字符集有：‘US-ASCII’, ‘ISO-8859-1’, ‘UTF-8’, ‘UTF-16BE’, ‘UTF-16LE’, ‘UTF-16’ |
| field | field(val T,val1 T,val2 T,val3 T,…) | 返回val在val1,val2…的位置。若不存在则返回0。例如field(‘world’,‘say’,‘hello’,‘world’)，返回值为3 |
| find_in_set | find_in_set(string str, string strList) | 返回str在strList中的位置。若不存在或str中存在","，则返回0 |
| find_in_set | find_in_set(string str, string strList) | 返回str在strList中的位置。若不存在或str中存在","，则返回0。若str为null，则返回null |
| format_number | format_number(number x, int d) | 将数字精确到d位小数，例如format_number(5.123456, 4)，返回值为5.1235 |
| get_json_object | get_json_object(string json_string, string path) | 根据指定的path路径从json字符串中提取json对象，并返回提取的json对象的json字符串。如果输入的json字符串无效，则返回null。注意：json路径只能包含字符[0-9a-z_u]，即没有大写或特殊字符。此外，键*不能以数字开头 |
| in_file | in_file(string str, string filename) | 如果str以整行的方式出现在filename中，则返回True。必须存在filename文件，否则会报错 |
| instr | instr(string str, string substr) | 返回str中第一个substr的位置。如果其中str为null，则返回null；如果在str中找不到substr，则返回0 |
| length | length(string A) | 返回字符串A的长度 |
| locate | locate(string substr, string str, int pos) | 返回substr在str的pos位置后，第一次出现的位置，pos非必传。例如locate(‘a’, ‘abcabc’)，返回1；locate(‘a’, ‘abcabc’,1)，返回1；locate(‘a’, ‘abcabc’,2)，返回4 |
| lower | lower(string A) | 返回字符串A的小写形式 |
| lpad | lpad(string str, int len, string pad) | 将str截取长度len位，若str长度不足len则，左侧用pad补充。例如lpad(‘abcdef’, 5, ‘a’)返回’abcde’；lpad(‘abc’, 5, ‘a’)返回’aaabc’ |
| ltrim | ltrim(string A) | 删除字符串A左边的空格 |
| ngrams | ngrams(array<array>, int N, int K, int pf) | 返回出现次数排在前K的子序列,N表示子序列的长度，例如ngrams(sentences(lower(tweet)), 2, 100 [, 1000]) FROM twitter |
| octet_length | octet_length(string str) | 返回以UTF-8编码保存字符串str所需的八位字节数 |
| parse_url | parse_url(string urlString, string partToExtract [, string keyToExtract]) | 解析url，并返回需要抽取的部分，（可能抽取的部分partToExtract 为HOST, PATH, QUERY, REF, PROTOCOL, AUTHORITY, FILE）。例如：parse_url(‘http://facebook.com/path1/p.php?k1=v1&k2=v2#Ref1’, ‘HOST’) 返回 ‘facebook.com’ |
| printf | printf(String format, Obj… args) | 按照指定的format进行输出。例如printf(“Hello World %d %s”, 100, “days”)，返回值为"Hello World 100 days” |
| regexp_extract | regexp_extract(string subject, string pattern, int index) | 返回字符串subject与正则表达式pattern匹配后的index部分。例如regexp_extract(‘100-300’, ‘(d+)-(d+)’, 2) 的返回值为300 |
| regexp_replace | regexp_replace(string INITIAL_STRING, string PATTERN, string REPLACEMENT) | 将字符串subject与正则表达式pattern匹配上部分用REPLACEMENT进行替换并返回。例如regexp_replace(‘100-200’, ‘(d+)’, ‘num’)返回值为‘num-num’ |
| repeat | repeat(string str, int n) | 将字符串str重复n次 |
| replace | replace(string A, string OLD, string NEW) | 将字符串str中的OLD子串替换为NEW |
| reverse | reverse(string A) | 对字符串A进行翻转 |
| rpad | rpad(string str, int len, string pad) | 与lpad对应，将str截取长度len位，若str长度不足len则，右用pad补充。例如rpad(‘abcdef’, 5, ‘a’)返回’abcde’；rpad(‘abc’, 5, ‘a’)返回’abcaa’ |
| rtrim | rtrim(string A) | 与ltrim对应，删除字符串A右边的空格 |
| sentences | sentences(string str, string lang, string locale) | 将字符串str按照句子划分成单词。其中每个句子为一个数组，句子中单词为数组中元素。lang和locale为可选参数。其中lang为语言选项(如：'en’代表英文)，locale代表地区。例子：sentences(‘Hello there! How are you?’) 返回 ( (“Hello”, “there”), (“How”, “are”, “you”) ) |
| space | space(int n) | 返回n个空格的字符串 |
| split | split(string str, string pat) | 按照正则表达式pat拆分字符串str。例如：split(‘a,b,c,d’,’,’)返回[“a”,“b”,“c”,“d”] |
| str_to_map | str_to_map(text, delimiter1, delimiter2) | 将text分割为数个键值对。其中delimiter1和delimiter2为可选参数。delimiter1(默认为’:’)代表键k与值v的分隔符。delimiter2(默认为’,’)代表键值对k-v之间的分隔符。例如str_to_map({“column1:1,column2:2”)返回值为{“column1”:“1”,“column2”:“2”} |
| substr | substr(string | binary A, int start, int len) |
| substr | substr(string | binary A, int start, int len) |
| substring_index | substring_index(string A, string delim, int count) | 已delim为分隔符，返回delim将A分割后的前count部分。若count为负，则返回分割的最后一部分。例如：substring_index(‘www.apache.org’, ‘.’, 2) 返回 ‘www.apache’ |
| translate | translate(string|char|varchar input, string|char|varchar from, string|char|varchar to) | 将input字符串中出现在from中的每个字符替换为to中的相应字符以后的字符串。 若from比to字符串长，那么在from中比to中多出的字符将会被删除。与PostgreSQL中对应函数等价。例如translate(‘abcdefga’,‘abc’,‘wo’)返回’wodefgw’ |
| trim | trim(string A) | 返回出现在字符串A两端的空格。例如trim(’ foo bar ‘)返回’foo bar’ |
| unbase64 | unbase64(string str) | 将64位的字符串转换二进制值 |
| upper | upper(string A) | 与lower对应，返回字符串A的大写形式 |
| initcap | initcap(string A) | 返回字符串，每个单词的第一个字母为大写，所有其他字母为小写。单词由空格分隔 |
| levenshtein | levenshtein(string A, string B) | 返回两个字符串之间的Levenshtein距离。例如 levenshtein(‘kitten’, ‘sitting’)返回值为3。(Levenshtein 距离，又称编辑距离，指的是两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符) |
| soundex | soundex(string A) | 返回字符串的soundex代码。例如：soundex(‘Miller’)返回M460 |
来源：CSDN
作者：nbszg
链接：https://blog.csdn.net/u011517132/article/details/103473504