如何提取 PySpark 数据框中正则表达式模式的所有实例？

Question

我在 PySpark 数据框中有一个 StringType() 列。我想从该字符串中提取正则表达式模式的所有实例，并将它们放入 ArrayType(StringType())

的新列中

假设正则表达式模式是 [a-z]\*([0-9]\*)

输入 df:

stringValue
+----------+
a1234bc123
av1tb12h18
abcd

输出 df:

stringValue    output
+-----------+-------------------+
a1234bc123     ['1234', '123']
av1tb12h18     ['1', '12', '18']
abcd           []

Answer 1

尝试在 spark 中使用 functions 中的 split 和 array_remove：

创建测试 DataFrame

from pyspark.sql import functions as F
df = spark.createDataFrame([("a1234bc123",), ("av1tb12h18",), ("abcd",)],["stringValue"])
df.show()

原始DataFrame：

+-----------+
|stringValue|
+-----------+
| a1234bc123|
| av1tb12h18|
|       abcd|
+-----------+

使用split仅将字符串分隔成数字

df = df.withColumn("mid", F.split('stringValue', r'[a-zA-Z]'))
df.show()

输出：

+-----------+-----------------+
|stringValue|              mid|
+-----------+-----------------+
| a1234bc123|  [, 1234, , 123]|
| av1tb12h18|[, , 1, , 12, 18]|
|       abcd|       [, , , , ]|
+-----------+-----------------+

最后使用array_remove去除非数字元素

df = df.withColumn("output", F.array_remove('mid', ''))
df.show()

最终输出：

+-----------+-----------------+-----------+
|stringValue|              mid|     output|
+-----------+-----------------+-----------+
| a1234bc123|  [, 1234, , 123]|[1234, 123]|
| av1tb12h18|[, , 1, , 12, 18]|[1, 12, 18]|
|       abcd|       [, , , , ]|         []|
+-----------+-----------------+-----------+

Answer 2

可以使用功能模块regexp_replace and splitapi的组合

import pyspark.sql.types as t
import pyspark.sql.functions as f

l1 = [('anystring',),('a1234bc123',),('av1tb12h18',)]
df = spark.createDataFrame(l1).toDF('col')
df.show()
+----------+
|       col|
+----------+
| anystring|
|a1234bc123|
|av1tb12h18|
+----------+

现在使用替换匹配的正则表达式，然后用“,”分割。这里 $1 指的是被替换的值，所以匹配正则表达式时它将为空。

e.g replace('anystring')
[=11=] = anystring
 = ""

dfl1 = df.withColumn('temp', f.split(f.regexp_replace("col", "[a-z]*([0-9]*)", ","), ","))

dfl1.show()
+----------+---------------+
|       col|           temp|
+----------+---------------+
| anystring|         [, , ]|
|a1234bc123|[1234, 123, , ]|
|av1tb12h18|[1, 12, 18, , ]|
+----------+---------------+

Spark <2.4

使用UDF替换数组的空值

def func_drop_from_array(arr):
    return [x for x in arr if x != '']

drop_from_array = f.udf(func_drop_from_array, t.ArrayType(t.StringType()))

dfl1.withColumn('final', drop_from_array('temp')).show()
+----------+---------------+-----------+
|       col|           temp|      final|
+----------+---------------+-----------+
| anystring|         [, , ]|         []|
|a1234bc123|[1234, 123, , ]|[1234, 123]|
|av1tb12h18|[1, 12, 18, , ]|[1, 12, 18]|
+----------+---------------+-----------+

Spark >=2.4

使用array_remove

dfl1.withColumn('final', f.array_remove('temp','')).show()

+----------+---------------+-----------+
|       col|           temp|      final|
+----------+---------------+-----------+
| anystring|         [, , ]|         []|
|a1234bc123|[1234, 123, , ]|[1234, 123]|
|av1tb12h18|[1, 12, 18, , ]|[1, 12, 18]|
+----------+---------------+-----------+

Answer 3

在 Spark 3.1+ regexp_extract_all 中可用。

regexp_extract_all(str, regexp[, idx]) - Extract all strings in the str that match the regexp expression and corresponding to the regex group index.

df = df.withColumn('output', F.expr("regexp_extract_all(stringValue, '[a-z]*([0-9]+)', 1)"))

df.show()
#+-----------+-----------+
#|stringValue|     output|
#+-----------+-----------+
#| a1234bc123|[1234, 123]|
#| av1tb12h18|[1, 12, 18]|
#|       abcd|         []|
#+-----------+-----------+

如何提取 PySpark 数据框中正则表达式模式的所有实例？

How can I extract all the instances of a regular expression pattern in PySpark dataframe?

python

regex

apache-spark

pyspark

pyspark-dataframes