使用regexp解析字符串\u使用pyspark提取

9nvpjoqh  于 2021-07-14  发布在  Spark
关注(0)|答案(2)|浏览(423)

我正在尝试使用正则表达式将字符串拆分为不同的列
下面是我的数据

decodeData = [('M|C705|Exx05','2'),
('M|Exx05','4'),
('M|C705 P|Exx05','6'),        
('M|C705 P|8960 L|Exx05','7'),('M|C705 P|78|8960','9')]

df = sc.parallelize(decodeData).toDF(['Decode',''])

dfNew = df.withColumn('Exx05',regexp_extract(col('Decode'), '(M|P|M)(\\|Exx05)', 1)).withColumn('C705',regexp_extract(col('Decode'), '(M|P|M)(\\|C705)', 1)) .withColumn('8960',regexp_extract(col('Decode'), '(M|P|M)(\\|8960)', 1))
dfNew.show()

Result
+--------------------+---+-----+----+-----+
|              Decode|   |Exx05|C705| 8960|
+--------------------+---+-----+----+-----+
|        M|C705|Exx05 | 2  |     |   M|    |
|             M|Exx05 | 4  |    M|    |    |
|      M|C705 P|Exx05 | 6  |    P|   M|    |
|M|C705 P|8960 L|Exx05| 7  |    M|   M|   P|
|    M|C705 P|78|8960 | 9  |     |   M|    |
+--------------------+---+-----+----+-----+

在这里,我试图提取字符串exx05、c7058960的代码,这些代码可以归为m/p/l代码,例如:在解码'm | c705p | 8960l | exx05'时,我希望结果在相应的列中为l m p。然而,我在这里缺少一些逻辑,我发现很难破解
预期结果

+--------------------+---+-----+----+-----+
    |              Decode|   |Exx05|C705| 8960|
    +--------------------+---+-----+----+-----+
    |        M|C705|Exx05 |   |    M|   M|    |
    |             M|Exx05 |   |    M|    |    |
    |      M|C705 P|Exx05 |   |    P|   M|    |
    |M|C705 P|8960 L|Exx05|   |    L|   M|   P|
    |    M|C705 P|78|8960 |   |     |   M|   P|
    +--------------------+---+-----+----+-----+

当我尝试相应地修改reg表达式时,它适用于某些情况,而不适用于其他示例情况,这只是我正在处理的实际数据的一个子集。
例:1。exx05可以落在任何代码m/l/p中,甚至可以落在任何位置,开始、中间、结束等
一个解码只能属于每个条目/id的1个(m或l或p)代码,即m | exx05 p | 8960 l | exx05-这里exx05属于m和l,这种情况将不存在。

nzrxty8p

nzrxty8p1#

您可以添加 ([^ ])* 在正则表达式中对其进行扩展,使其匹配任何不被空格分隔的连续模式:

dfNew = df.withColumn(
    'Exx05',
    regexp_extract(col('Decode'), '(M|P|L)([^ ])*(\\|Exx05)', 1)
).withColumn(
    'C705',
    regexp_extract(col('Decode'), '(M|P|L)([^ ])*(\\|C705)', 1)
).withColumn(
    '8960',
    regexp_extract(col('Decode'), '(M|P|L)([^ ])*(\\|8960)', 1)
)

dfNew.show(truncate=False)
+---------------------+---+-----+----+----+
|Decode               |   |Exx05|C705|8960|
+---------------------+---+-----+----+----+
|M|C705|Exx05         |2  |M    |M   |    |
|M|Exx05              |4  |M    |    |    |
|M|C705 P|Exx05       |6  |P    |M   |    |
|M|C705 P|8960 L|Exx05|7  |L    |M   |P   |
|M|C705$P|78|8960     |9  |     |M   |P   |
+---------------------+---+-----+----+----+
dz6r00yl

dz6r00yl2#

我们用什么 X(?=Y) 也称为 lookahead assertion . 这确保我们匹配 X 只有在后面跟着 Y ```
from pyspark.sql.functions import*
dfNew = df.withColumn('Exx05',regexp_extract(col('Decode'), '(A-Z)', 1)).withColumn('C705',regexp_extract(col('Decode'), '(A-Z)', 1)) .withColumn('8960',regexp_extract(col('Decode'), '([A-Z]+(?=|[0-9]|8960))', 1))
dfNew.show()

+--------------------+---+-----+----+----+
| Decode| t|Exx05|C705|8960|
+--------------------+---+-----+----+----+
| M|C705|Exx05| 2| | M| |
| M|Exx05| 4| M| | |
| M|C705 P|Exx05| 6| P| M| |
|M|C705 P|8960 L|E...| 7| L| M| P|
| M|C705 P|78|8960| 9| | M| P|
+--------------------+---+-----+----+----+

相关问题