与停用词组匹配并在 Pyspark 中替换为空 space

Question

我在 table 中有地址栏，如下所示

 >>> spark.sql("select add1 from test").show(10,False)
+---------------------------+
|add1                       |
+---------------------------+
|PO BOX 1111DUBAI  UAE      |
|P.O. BOX 2222DUBAI - U.A.E|
+---------------------------+

我必须匹配一组单词并将它们从列中删除只是为了比较目的

我能够像下面那样用空 space 替换单个单词（在本例中为 'UAE'）

spark.sql("select regexp_replace(add1,'UAE','') from test").show(10,False)
+---------------------------+
|regexp_replace(add1, UAE, )|
+---------------------------+
|PO BOX 1111DUBAI           |
|P.O. BOX 2222DUBAI - U.A.E|
+---------------------------+

但我想删除所有特殊字符和一组停用词，如{'UAE'、'U.A.E'、'U A E'、'PO'、'P O'}

期望的输出：

spark.sql("select regexp_replace(add1,'UAE','') from test").show(10,False)
+---------------------------+
|regexp_replace(add1, UAE, )|
+---------------------------+
|1111DUBAI                  |
|2222DUBAI                  |
+---------------------------+

有人可以帮我实现这个吗，谢谢！

Answer 1

这里是你如何做到的。希望它能解决你所有的问题。

from pyspark.sql import functions as F

stop_words = {'UAE','U.A.E', 'U A E', 'PO', 'P O', 'BOX'}

df2 = df.withColumn(
    "add1",
    F.regexp_replace(F.col("add1"), r"[^a-zA-Z0-9\s]", "")
)

for stop_word in stop_words: 
    df2 = df2.withColumn(
        "add1",
        F.trim(F.regexp_replace(F.col("add1"), stop_word, ""))
    )

df2.show()

+---------+
|     add1|
+---------+
|1111DUBAI|
|2222DUBAI|
+---------+

与停用词组匹配并在 Pyspark 中替换为空 space

match with group of stop words and replace with empty space in Pyspark

python

apache-spark

apache-spark-sql

regexp-replace

pyspark