PySpark 2 - 正则表达式取代之前的一切

Posted 2021-05-01

我有一个类似的记录

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

我想删除之前的一切 在每条记录中。使用spark数据帧有一种简单的方法吗？

import pyspark.sql.functions as f

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

这样的事情？该模式应该是什么？

答案

要匹配所有字符直到字符串的开头，您可以使用.*<BR>。但是，这与换行符（ ）不匹配。我找到了here的解决方案，所以我们的模式可能是(?s).*<BR>。下面给出一个工作实例，希望这有帮助！

import pyspark.sql.functions as F

df = spark.createDataFrame([('''"_row"
"<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])

输出

"_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>