如何 match/extract 来自 pyspark 文件的多行模式

Question

我有一个巨大的 rdf 三元组（主题谓词对象）文件，如下图所示。它提取粗体项目的目标并具有以下输出

  Item_Id | quantityAmount | quantityUnit | rank
    -----------------------------------------------
      Q31      24954         Meter       BestRank
      Q25       582         Kilometer    NormalRank

我想提取遵循以下模式的行

主题被赋予一个指针(<Q31> <prop/P1082> <Pointer_Q31-87RF> .)
指针有排名 (<Pointer_Q31-87RF> <rank> <BestRank> )
和 valuePointer (<Pointer_Q31-87RF> <prop/Pointer_value/P1082> <value/cebcf9> )
valuePointer依次指向它的Amount(<value/cebcf9> <quantityAmount> "24954")和Unit(<value/cebcf9> <quantityUnit> <Meter>)

正常的方法是逐行读取文件并提取上述模式中的每一个（使用 sc.textFile('inFile').flatMap(lambda x: extractFunc(x)) 和然后通过不同的连接将它们组合起来，这样就可以提供上面的 table。有没有更好的方法来解决这个问题？我在下面包含了文件示例。

<Q31> <prop/P1082> <Pointer_Q31-87RF> .
<Pointer_Q31-87RF> <rank> <BestRank> .
<Pointer_Q31-87RF> <prop/Pointer_P1082> "+24954"^^<2001/XMLSchema#decimal> .
<Pointer_Q31-87RF> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> 24954
<value/cebcf9> <quantityUnit> <Meter> .
<Q25> <prop/P1082> <Pointer_Q25-8E6C> .
<Pointer_Q25-8E6C> <rank> <NormalRank> .
<Pointer_Q25-8E6C> <prop/Pointer_P1082> "+24954”
<Pointer_Q25-8E6C> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> "582" .
<value/cebcf9> <quantityUnit> <Kilometer> .

Answer 1

如果可以使用\n<Q作为分隔符来创建RDD元素，那么解析数据块就变成了一个纯粹的python任务。下面我创建了一个函数（基于您的示例）来使用正则表达式解析块文本并将 cols 信息检索到 Row 对象中（您可能必须调整正则表达式以反映实际数据模式，即区分大小写、额外的空格等） :

对于每个 RDD 元素，按'\n'（行模式）分割
然后对于每一行，按 > < 分成一个列表 y
我们可以通过检查 y[1] 和 y[2] 找到 rank, quantityUnit , quantityAmount 通过检查 y[1] 和 Item_id 通过检查 y[0].

通过迭代所有必填字段创建 Row 对象，将缺少字段的值设置为 None

from pyspark.sql import Row
import re

# skipped the code to initialize SparkSession

# field names to retrieve
cols = ['Item_Id', 'quantityAmount', 'quantityUnit', 'rank']

def parse_rdd_element(x, cols):
    try:
        row = {}
        for e in x.split('\n'):
            y = e.split('> <')
            if len(y) < 2:
                continue
            if y[1] in ['rank', 'quantityUnit']:
                row[y[1]] = y[2].split(">")[0]
            else:
                m = re.match(r'^quantityAmount>\D*(\d+)', y[1])
                if m:
                    row['quantityAmount'] = m.group(1)
                    continue
                m = re.match('^(?:<Q)?(\d+)', y[0])
                if m:
                    row['Item_Id'] = 'Q' + m.group(1)
        # if row is not EMPTY, set None to missing field
        return Row(**dict([ (k, row[k]) if k in row else (k, None) for k in cols])) if row else None
    except:
        return None

使用 newAPIHadoopFile() 以 \n<Q 作为分隔符设置 RDD：

rdd = spark.sparkContext.newAPIHadoopFile(
    '/path/to/file',
    'org.apache.hadoop.mapreduce.lib.input.TextInputFormat',
    'org.apache.hadoop.io.LongWritable',
    'org.apache.hadoop.io.Text',
    conf={'textinputformat.record.delimiter': '\n<Q'}
)

使用map函数将RDD元素解析为Row对象

rdd.map(lambda x: parse_rdd_element(x[1], cols)).collect()
#[Row(Item_Id=u'Q31', quantityAmount=u'24954', quantityUnit=u'Meter', rank=u'BestRank'),
# Row(Item_Id=u'Q25', quantityAmount=u'582', quantityUnit=u'Kilometer', rank=u'NormalRank')]

将上面的RDD转换成dataframe

df = rdd.map(lambda x: parse_rdd_element(x[1], cols)).filter(bool).toDF()
df.show()
+-------+--------------+------------+----------+
|Item_Id|quantityAmount|quantityUnit|      rank|
+-------+--------------+------------+----------+
|    Q31|         24954|       Meter|  BestRank|
|    Q25|           582|   Kilometer|NormalRank|
+-------+--------------+------------+----------+

一些注意事项：

为了获得更好的性能，在将它们传递给 parse_rdd_element() 函数之前，使用 re.compile() 预编译所有正则表达式模式。
如果\n和<Q之间可能有spaces/tabs，多个块将被添加到同一个RDD元素中，只需将RDD元素拆分为\n\s+<Q 并将 map() 替换为 flatMap().

参考：

如何 match/extract 来自 pyspark 文件的多行模式

How to match/extract multi-line pattern from file in pysark

apache-spark

pyspark

pyspark-sql