python正则表达式,使用list作为搜索变量

dsekswqp  于 2021-07-09  发布在  Spark
关注(0)|答案(1)|浏览(294)

我有一个带列的Dataframe email_adress_raw 每行包含多个电子邮件地址,我想创建一个新列,其中第一个电子邮件地址的长列表中列出了特定的电子邮件结尾。 email_endings = ['email_end1.com','email_end2.com','email_end3.com',...] 我创建了下面的函数,它已经在工作了,但是由于列表很长并且一直在构建中,我想在代码中对列表进行迭代或者类似的操作。我已经想到了一个循环,但不知怎么的我没有做到这一点。。。

def email_address_new(s):
    try:
        r = re.search("([\w.-]+@"+email_endings[0]+"|[\w.-]+@"+email_endings[1]+"|[\w.-]+@"+email_endings[2]+")", s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))
3lxsmp7m

3lxsmp7m1#

你可以用 join 要将列表中的电子邮件结尾合并到正则表达式模式,请执行以下操作:

email_endings = ['email_end1.com','email_end2.com','email_end3.com']

def email_address_new(s):
    try:
        pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"
        r = re.search(pattern, s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df2 = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))

但你可能不需要一个自定义项。你可以用 regexp_extract ,并将空字符串替换为 null 如果没有对手( regexp_extract 如果不匹配,则返回空字符串)

import pyspark.sql.functions as F

email_endings = ['email_end1.com','email_end2.com','email_end3.com']
pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"

df2 = df.withColumn(
    "email", 
    F.when(
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1) != "",
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1)
    )
)

相关问题