预先将正则表达式模式附加到拆分并将案例类映射到拆分

Posted 2023-03-15

【中文标题】预先将正则表达式模式附加到拆分并将案例类映射到拆分

【英文标题】：Pre append regex pattern to split and map case class to splitted

【发布时间】：2018-11-11 11:50:17

【问题描述】：

我想拆分以下格式为

的字符串

val str = "X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8| |Z01|Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]|Z01|Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|]|Z02|02|z2|Str|Str|"

这个字符串总是以 X 开头，分割位置是 Z01,Z02,...,Z0D

str.split("""\|Z0[1|2|3|4|5|6|7|8|9|A|B|C|D]1\|""") foreach println

这里Z01,...,Z0D的位置不可能出现在字符串中。

拆分给出了预期的结果：

X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8|
Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]
Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|]
02|z2|Str|Str|

但是，我想将 X、Z01、... 映射到案例类。由于没有排序，因此无法确定需要映射到哪个案例类拆分（不能使用单个拆分的长度）。

我希望我的拆分有以下输出：

X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8|
Z01|[Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]|
Z01|[Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|]|
Z01|02|z2|Str|Str|

这样结果可以在预先附加的模式的帮助下映射到案例类。

例如：

case class X( ....)
case class Z01(val1: String, val2: String, val3: String)
case class Z02(val1: Int, val2: String, val3: String,val4:String)
.................

X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8| 映射到 case class X 和 Z01|[Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]| 映射到案例类 Z01

最终结果应该是有序和相似的组的形式，被视为特定案例类的数组。

X
Array[Z01]
Array[Z02]
......
......

【问题讨论】：

看起来简单的str.split("Z")然后手动解析呢？

@Jatin 这实际上是 Spark 数据帧转换的一部分。我想一次性完成。

我无法确认。但它可能会消耗更少的时钟周期。正则表达式是一个连续的时间杀手。按单个字符拆分不会在内部调用正则表达式，而是简单的字符串迭代

【参考方案1】：

这个想法怎么样？

val x = str.split("""\|Z0[1|2|3|4|5|6|7|8|9|A|B|C|D]1\|""") // actual string splits
val y = """\|Z0[1|2|3|4|5|6|7|8|9|A|B|C|D]1\|""".r.findAllIn(str).toArray // delimiters Array

val final_data = x.slice(1, x.size).zip(y).map(x => x._2+x._1).toList // taking actual splits except first one .... and then zipping and concatenating with delimiters like below. 
/*
    List(|Z01|Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|], |Z01|Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|], |Z02|02|z2|Str|Str|) */

final_data 中的第一个| 可以用subString 删除

【参考方案2】：

作为替代方案，它可能是通过匹配它们来获取您的值的一种选择：

(?:Z0[1-9A-D]|^X).*?(?=\|Z0[1-9A-D]|$)

这匹配：

(?:Z0[1-9A-D]|X\|) 在非捕获组中匹配 Z0 并在字符类中列出可能的选项或 | X 在行的开头 ^ .*? 匹配任意字符一次或多次非贪心 (?=\|Z0[1-9A-D]|$) 肯定的前瞻，它断言后面是一个管道 | 后跟 Z0 和字符列表中的一个字符或 | 行尾 $

例如：

val re = """(?:Z0[1-9A-D]|^X).*?(?=\|Z0[1-9A-D]|$)""".r
val str = "X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8| |Z01|Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]|Z01|Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|]|Z02|02|z2|Str|Str|"

re.findAllIn(str) foreach println

这将导致：

X|blnk_1|blnk_2|blnk_3|blnk_4|time1|time2|blnk_5|blnk_6|blnk_7|blnk_8| 
Z01|Str1|01|001|NE]|[HEX1|HEX2]|[NA|001:1000|123:456|[00]|]
Z01|Str2|02|002|NE]|[HEX3|HEX4]|[NA|002:1001|234:456|[01]|]
Z02|02|z2|Str|Str|

Demo