PySpark 正则表达式以两个条件提取字符串

Posted 2023-04-15

【中文标题】PySpark 正则表达式以两个条件提取字符串

【英文标题】：PySpark regex to extract string with two conditions

【发布时间】：2021-12-13 06:15:06

【问题描述】：

我有一个如下所示的数据框：

id  col1
1   ACC 12-34-11-123-122-A
2   ACC TASKS 12-34-11-123-122-B
3   ABB 12-34-11-123-122-C

我想从前面有ACC 的第一行和第二行（12-34-11-123-122-A、12-34-11-123-122-B）中提取代码。

我找到了这个answer，这是我的尝试：

F.regexp_extract(F.col("col_1"), r'(.)(ACC)(\s+)(\b\d2\-\d2\-\d2\-\d3\-[A-Z0-9]0,3\b)', 4)

我必须添加第二组(ACC)，因为ABB 代码具有相同的格式。

如何修复我的正则表达式以从该数据框中同时提取 ACC 和 ACC TASKS？

【参考方案1】：

使用您显示的示例，请尝试以下正则表达式。

^ACC(?:\s+TASKS)?\s+\d2(?:-\d2)2-\d3-[A-Z0-9]0,3(?=-[A-Z]$)

Online demo for above regex

说明：为上述正则表达式添加详细说明。

^ACC(?:\s+TASKS)?\s+        ##Matching from starting of value ACC followed by spaces(1 or more occurrences) followed by TASKS and
                            ##keeping this non-capturing group as optional, followed by spaces(1 or more occurrences).
\d2(?:-\d2)2-\d3-   ##Matching 2 digits followed by a non-capturing group which matches 2 occurrences of -followed by 2 digits;
                            ##non-capturing group is further followed by - and 3 digits -
[A-Z0-9]0,3(?=-[A-Z]$)    ##Matching capital A to Z OR 0-9 from 0 to 3 occurrences then making sure this is being
                            ##followed by a dash and capital A to Z at end of line/value.

【参考方案2】：

你可以使用这个正则表达式：

(\bACC(?:\s+TASKS)?)\s+(\d2-\d2-\d2-\d3-[A-Z0-9]0,3)

RegEx Demo

这里(\bACC(?:\s+TASKS)?) 在匹配给定模式之前匹配ACC 或ACC TASKS。

对于您的 python 代码：

F.regexp_extract(F.col("col_1"), r'(\bACC(?:\s+TASKS)?)\s+(\d2-\d2-\d2-\d3-[A-Z0-9]0,3)', 4)

【讨论】：

我打算将我的第三组(\s+) 更改为(.*)，但您的回答更好。