我有一个如下的数据帧。
id | js |
0 | bla var test bla .. |
1 | bla function RAM blob |
2 | function CPU blob blob |
3 | thanks |
4 | bla var AWS and function twitter blaa |
我正在尝试提取函数或var 之后的下一个单词
我的代码在这里。
pattern3 = "(func)s+(w+)|(var)s+(w+)"
df = df.withColumn("js_extracted2", f.regexp_extract(f.col("js"),pattern3,4))
由于只捕获一个单词,最后一行只返回AWS而不返回Twitter。
所以我想捕捉所有匹配。
我的spark版本不到3,
所以我尝试了df.withColumn('output', f.expr("regexp_extract_all(js, '(func)s+(w+)|(var)s+(w+)', 4)")).show()
但它只对所有行返回空。
我的预期输出是
id | js | output
0 | bla var test bla .. | [test]
1 | bla function RAM blob | [RAM]
2 | function CPU blob blob | [CPU]
3 | thanks |
4 | bla var AWS and function twitter blaa | [AWS, twitter]
您需要使用四个来形成一个正则表达式。
df = df.withColumn("js_extracted2", F.expr(f"regexp_extract_all(js, '(function|var)\\s+(\\w+)', 2)"))
df.show(truncate=False)
在(?<=i)j
认证背后使用积极的眼光。也就是说,仅当i
立即位于其左侧时提取j
df.withColumn('name', regexp_extract('js', '((?<=function|var)(sw+))',1)).show()
---+--------------------+-----+
| id| js| name|
+---+--------------------+-----+
| 0| bla var test bla ..| test|
| 1| bla function RAM...| RAM|
| 2|function CPU blob...| CPU|
| 3| thanks | |
| 4|bla var AWS and f...| AWS|
+---+--------------------+-----+
这个问题看起来更像如何在不使用regexp_extract_all的情况下做到这一点。
这里有另一种不使用正则表达式的方法,只是为了防止出现使用regexp_extract_all
:的问题
noofwordstoextract = 1
df.withColumn("ArrayOfWords",F.split("js"," "))
.withColumn("test",F.expr(f"""filter(transform(ArrayOfWords,(x,e)->
CASE WHEN x in ('var','function')
THEN array_join(slice(ArrayOfWords,e+2,{noofwordstoextract}),' ') ELSE NULL END)
,y-> y is not NULL)""")).drop("ArrayOfWords").show()
+---+-------------------------------------+--------------+
|id |js |test |
+---+-------------------------------------+--------------+
|0 |bla var test bla .. |[test] |
|1 |bla function RAM blob |[RAM] |
|2 |function CPU blob blob |[CPU] |
|3 |thanks |[] |
|4 |bla var AWS and function twitter blaa|[AWS, twitter]|
+---+-------------------------------------+--------------+
此解决方案将字符串拆分为一个数组,然后检查当前元素是否在"var"或"function"中,然后提取接下来的n个单词(此处为1(,然后将它们连接以形成原始字符串(尝试使用noofwordstoextract=2(以获取更多详细信息。