整列上的 Scala 正则表达式

Posted 2023-03-23

【中文标题】整列上的 Scala 正则表达式

【英文标题】：Scala regex on a whole column

【发布时间】：2022-01-22 02:13:17

【问题描述】：

我有以下模式，我可以在 Python 中使用 pandas 进行解析，但很难将代码翻译成 Scala。

grade string_column    
 85   (str:ann smith,14)(str:frank chase,15)
 86   (str:john foo,15)(str:al more,14)

在我使用的python中：

df.set_index('grade')['string_column']\
.str.extractall(r'\((str:[^,]+),(\d+)\)')\
.droplevel(1)

输出：

 grade       0                1
 85      str:ann smith       14
 85      str:frank chase     15
 86      str:john foo        15
 86      str:al more         14

在 Scala 中，我尝试复制该方法，但失败了：

import scala.util.matching.Regex

val pattern = new Regex("((str:[^,]+),(\d+)\)")
val str = "(str:ann smith,14)(str:frank chase,15)"

println(pattern findAllIn(str)).mkString(","))

【参考方案1】：

代码有几点说明：

组有一个不匹配的括号，但应该转义该括号 反斜杠应该双转义 在println 中，您不必使用所有括号和点 findAllIn 返回一个 MatchIterator，循环它们会暴露一个匹配的字符串。用逗号连接那些匹配的字符串，在这种情况下会再次返回相同的字符串。

例如

import scala.util.matching.Regex

val pattern = new Regex("\\((str:[^,]+),(\\d+)\\)")
val str = "(str:ann smith,14)(str:frank chase,15)"

println(pattern findAllIn str mkString ",")

输出

(str:ann smith,14),(str:frank chase,15)

但是如果你想打印出第 1 组和第 2 组的值，你可以使用返回 Regex Matches 集合的findAllMatchIn：

import scala.util.matching.Regex

val pattern = new Regex("\\((str:[^,]+),(\\d+)\\)")
val str = "(str:ann smith,14)(str:frank chase,15)"
pattern findAllMatchIn str foreach(m => 
    println(m.group(1))
    println(m.group(2))
  
)

输出

str:ann smith
14
str:frank chase
15

【参考方案2】：

在 Python 中，Series.str.extractall 仅返回捕获的子字符串。在 Scala 中，如果您不查询其 matchData 属性，而 findAllIn 又包含 subgroups 属性，则 findAllIn 将返回匹配的值。

因此，要仅在 Scala 中获取捕获，您需要使用

val pattern = """\((str:[^,()]+),(\d+)\)""".r
val str = "(str:ann smith,14)(str:frank chase,15)"
(pattern findAllIn str).matchData foreach 
    m => println(m.subgroups.mkString(","))

输出：

str:ann smith,14
str:frank chase,15

请参阅Scala online demo。

在这里，m.subgroups 访问每个匹配 (m) 的所有子组（捕获）。

另外，请注意您不需要在三引号字符串文字中使用双反斜杠。 \((str:[^,()]+),(\d+)\) 匹配

\( - 一个 ( 字符 (str:[^,()]+) - 第 1 组：str: 和一个或多个除 ,、( 和 ) 之外的字符 , - 逗号 (\d+) - 第 2 组：一位或多位数字 \) - 一个 ) 字符。

如果您只想获取所有匹配项而不捕获，您可以使用

val pattern = """\((str:[^,]+),(\d+)\)""".r
println((pattern findAllIn str).matchData.mkString(","))

输出：

(str:ann smith,14),(str:frank chase,15)

请参阅online demo。

【讨论】：

谢谢。我需要如何调整代码以在新数据帧（如 pandas）中获取输出？