如何从字符串列中提取数字？

Posted 2023-04-17

【中文标题】如何从字符串列中提取数字？

【英文标题】：How to extract number from string column?

【发布时间】：2017-12-13 08:27:27

【问题描述】：

我的要求是从comment 列中的评论列中检索订单号，并且始终以R 开头。订单号应作为新列添加到表格中。

输入数据：

code,id,mode,location,status,comment 
AS-SD,101,Airways,hyderabad,D,order got delayed R1657
FY-YT,102,Airways,Delhi,ND,R7856 package damaged
TY-OP,103,Airways,Pune,D,Order number R5463 not received

预期输出：

AS-SD,101,Airways,hyderabad,D,order got delayed R1657,R1657
FY-YT,102,Airways,Delhi,ND,R7856 package damaged,R7856 
TY-OP,103,Airways,Pune,D,Order number R5463 not received,R5463 

我在spark-sql中试过了，我使用的查询如下：

val r = sqlContext.sql("select substring(comment, PatIndex('%[0-9]%',comment, length(comment))) as number from A")

但是，我收到以下错误：

org.apache.spark.sql.AnalysisException: undefined function PatIndex; line 0 pos 0

【参考方案1】：

你可以使用regexp_extract，它有如下定义：

def regexp_extract(e: Column, exp: String, groupIdx: Int): Column

(R\\d4) 表示 R 后跟 4 位数字。您可以使用有效的正则表达式轻松适应任何其他情况

df.withColumn("orderId", regexp_extract($"comment", "(R\\d4)" , 1 )).show

+-----+---+-------+---------+------+--------------------+-------+
| code| id|   mode| location|status|             comment|orderId|
+-----+---+-------+---------+------+--------------------+-------+
|AS-SD|101|Airways|hyderabad|     D|order got delayed...|  R1657|
|FY-YT|102|Airways|    Delhi|    ND|R7856 package dam...|  R7856|
|TY-OP|103|Airways|     Pune|     D|Order number R546...|  R5463|
+-----+---+-------+---------+------+--------------------+-------+

【参考方案2】：

你可以使用udf函数如下

import org.apache.spark.sql.functions._
def extractString = udf((comment: String) => comment.split(" ").filter(_.startsWith("R")).head)

df.withColumn("newColumn", extractString($"comment")).show(false)

其中comment 列是splitted 与空格 和filtering 以R 开头的单词。 head 将采用以R 开头的第一个过滤词。

更新

为确保返回的字符串是order number以R开头，其余字符串为digits，可以额外添加filter

import scala.util.Try
def extractString = udf((comment: String) => comment.split(" ").filter(x => x.startsWith("R") && Try(x.substring(1).toDouble).isSuccess).head)

您可以根据需要编辑filter。