PySpark 2 - 正则表达式替换 <BR> 之前的所有内容

Question

我有一个类似

的记录

"_row"\n"<BR>Datetime:2018.06.30^
Name:ABC^
Se:4^
Machine:XXXXXXX^
InnerTrace:^
AdditionalInfo:^
<ER>

我想删除每条记录中
之前的所有内容。有没有一种简单的方法可以使用 spark dataframe

import pyspark.sql.functions as f

data.select(f.regexp_replace(pattern='\n<BR>',replacement="<BR>",str="row")

像这样的？模式应该是什么？

Answer 1

要匹配直到字符串开头的所有字符，您可以使用 .*<BR>。但是，这不匹配换行符 (\n)。我找到了 here 的解决方案，所以我们的模式可以是 (?s).*<BR>。下面给出了一个工作示例，希望对您有所帮助！

import pyspark.sql.functions as F

df = spark.createDataFrame([('''"_row"\n"<BR>Datetime:2018.06.30^
Name:ABC^
Se:4^
Machine:XXXXXXX^
InnerTrace:^
AdditionalInfo:^
<ER>''',), ],schema=['text'])

df = df.withColumn('text_cleaned',
               F.regexp_replace(F.col('text'),pattern='(?s).*<BR>',replacement="<BR>"))

让我们验证一下是否有效；

print(df.select('text').collect()[0][0])

产出

"_row"
"<BR>Datetime:2018.06.30^
Name:ABC^
Se:4^
Machine:XXXXXXX^
InnerTrace:^
AdditionalInfo:^
<ER>

和

print(df.select('text_cleaned').collect()[0][0])

输出：

<BR>Datetime:2018.06.30^
Name:ABC^
Se:4^
Machine:XXXXXXX^
InnerTrace:^
AdditionalInfo:^
<ER>

PySpark 2 - 正则表达式替换 <BR> 之前的所有内容

PySpark 2 - Regex replace everything before <BR>

python

apache-spark

pyspark

apache-spark-2.0