我最近开始学习PySpark，我试图理解如何返回列中正则表达式模式的位置，但如果列中不存在正则表达式模式，则返回0。
我在StackOverflow上尝试了另一个非常好的答案，它在返回另一个字符串中正则表达式模式开始的位置方面做得很好。https://stackoverflow.com/questions/66121409/locate-function-with-regular-expression-in-spark-sql然而，在这个答案中，当正则表达式模式不存在于字符串中时，它返回1而不是我需要的0。
根据其他答案，我试着调整如下：
spark.sql("select locate(regexp_extract('0000X00', '([X,Y,Z,W])', 1), '0000X00') as check_pos_string").show()
+----------------+
|check_pos_string|
+----------------+
| 5|
+----------------+字符串
如预期的那样返回位置5，这是正则表达式模式中的字符X在它正在检查的字符串中出现的位置。
然而，当我尝试以下操作时，它返回1，即使模式不存在于它正在检查的字符串中。
spark.sql("select locate(regexp_extract('0000000', '([X,Y,Z,W])', 1), '0000000') as check_pos_string").show()
+----------------+
|check_pos_string|
+----------------+
| 1|
+----------------+型
如果字符串中不存在正则表达式模式，我想知道如何返回0，而不是1，所以它看起来像下面这样。
+----------------+
|check_pos_string|
+----------------+
| 0|
+----------------+型
我有一种感觉，我误解了一些简单的东西，由于我缺乏经验的PySpark！
2条答案
按热度按时间brgchamk1#
以下是几点：
[X,Y,Z,W]是一个character class，它匹配方括号中的所有字符，这意味着它匹配X，,Y，,，Z，,和W（注意它也匹配逗号）。你实际上想要的是[XYZW]或更简洁的[W-Z]。(...);如果没有group，只需将0参数更改为0。因此，对
regexp_extract的调用应该如下所示：字符串
就您的问题而言，这是由于
regexp_extract在不匹配任何内容时返回空字符串，而locate在输入的开头“找到”该字符串，因此返回1作为结果。你可以通过用一个通常不会出现在字符串中的字符 * 替换 * 匹配，然后尝试
locate该字符来解决这个问题，例如。型
输出量：
| 检查位置字符串|
| --|
| 5 |
如果没有找到匹配，特殊字符不会被替换到字符串中，因此
locate将返回0：型
输出量：
| 检查位置字符串|
| --|
| 0 |
flmtquvp2#
在我看来，没有办法改变regexp_exctract的行为，但有一个变通办法，你可以使用IF语句，当没有匹配时返回0
字符串