PySpark 2 - 正则表达式替换 <BR> 之前的所有内容

Posted 2023-04-18

【中文标题】PySpark 2 - 正则表达式替换 <BR> 之前的所有内容

【英文标题】：PySpark 2 - Regex replace everything before <BR>

【发布时间】：2018-08-07 22:03:42

【问题描述】：

我有一个类似的记录

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

我想删除每条记录中 之前的所有内容。有没有一种简单的方法可以使用 spark 数据框来做到这一点

import pyspark.sql.functions as f

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

像这样？模式应该是什么？

【参考方案1】：

要匹配直到字符串开头的所有字符，您可以使用.*<BR>。但是，这不匹配换行符 (\n)。我找到了here 的解决方案，所以我们的模式可能是(?s).*<BR>。下面给出了一个工作示例，希望对您有所帮助！

import pyspark.sql.functions as F

df = spark.createDataFrame([('''"_row"\n"<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>"))

让我们验证它是否有效；

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>