Question

我已经阅读了几篇关于使用“like”运算符来过滤火花数据帧的帖子，其条件是包含字符串/表达式，但是想知道以下是否是使用％s的“最佳实践”期望的条件如下：

input_path = <s3_location_str>
my_expr = "Arizona.*hot"  # a regex expression
dx = sqlContext.read.parquet(input_path)  # "keyword" is a field in dx

# is the following correct?
substr = "'%%%s%%'" %my_keyword  # escape % via %% to get "%"
dk = dx.filter("keyword like %s" %substr)

# dk should contain rows with keyword values such as "Arizona is hot."

注意

我正在尝试在dx中获取包含表达式my_keyword的所有行。否则，对于完全匹配，我们不需要周围的百分号'％'。

Answer 1

根据neeraj的提示，似乎在pyspark中执行此操作的正确方法是：

expr = "Arizona.*hot"
dk = dx.filter(dx["keyword"].rlike(expr))

请注意，dx.filter（$＆＃34;关键字＆＃34; ...）不起作用，因为（我的版本）pyspark似乎并不支持开箱即用的$命名法。

Answer 2

尝试如下所述的rlike功能。

df.filter(<column_name> rlike "<regex_pattern>")

例如。

dk = dx.filter($"keyword" rlike "<pattern>")

Answer 3

我在时间戳记正则表达式中使用了以下内容

expression = r'[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[1-2][0-9]|3[0-1]) (2[0-3]|[01][0-9]):[0-5][0-9]:[0-5][0-9]'
df1 = df.filter(df['eta'].rlike(expression))

Pyspark：使用带有字符串格式的正则表达式过滤数据帧吗？

3 个答案: