需求

在許多業務場景中，需要處理使用者的郵箱資訊，為了探索不同郵箱的不同特定，便於對使用者進行分類處理，需要對郵箱進行處理。

前、字尾分離

郵箱的格式大致是一致的 字首@字尾 的樣式。需要將郵箱進行分類。

明顯看到他們前後綴通過 @ 複合連線，將他們分別分離成兩列即可。

select  email_list[0] as pre_email , email_list[1] as pro_email
from (
    select split(email,'@') email_list
    from table a
) a
 

結果是：

此時可以檢視，究竟有那些郵箱的字尾，計數是多少，便於進行分類。

select pro_email, count(*) cnt
from table
group by pro_email

字首的處理

對於字首，主要可以為以下幾種型別

• 手機號： 13579246810
• 純數字： 3123443242（ 這種可能會與手機號重複，因此需要先篩選手機號）
• 純字母： qwert
• 字母與數字： xiaoming1982
• 其他： xiaoming_19

分類程式碼如下：

case when pre_email rlike "^(\\+?86)?((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\\d{8}$" then '手機號'
    when pre_email rlike '^\\d+$' then '純數字'
    when pre_email rlike '^[a-zA-Z]*$' then '純字母'
    when pre_email rlike '^[a-z0-9A-Z]+$' then '字母與數字'
    else '其他' end as pre_flag
 

字尾的處理

字尾主要是公司，可以根據使用的場景，檢視那些郵箱用的比較多，定義對應的字尾漢語名稱。

• 騰訊郵箱： qq.com, qq.vip.com, foxmail.com
• 網易郵箱： 163.com , 126.com, yeah.cn
• 電信郵箱： 139.com, 189.com

分類程式碼如下：

case when pro_email rlike '.*(163|126|yeah).*' then '網易郵箱'
    when pro_email rlike '.*(sina).*' then '新浪郵箱'
    when pro_email rlike '.*(qq|foxmail).*' then '騰訊郵箱'
    when pro_email rlike '.*(sohu).*' then '搜狐郵箱'
    when pro_email rlike '.*(139|189).*' then '電信郵箱'
    else 'others' end as pro_flag
 

統計

這樣就可以處理成不同的組合。進行單獨、交叉統計。

-- 交叉統計
select pre_flag, pro_flag, count(*) cnt
from table
group by pre_flag, pro_flag