我有一条类似
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。是否有一种简单的方法可以通过spark数据框
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?
答案 0 :(得分:1)
要匹配所有字符直到字符串开头,可以使用.*<BR>
。但是,这与换行符(\n
)不匹配。我为该here找到了解决方案,因此我们的模式可以为(?s).*<BR>
。下面给出一个可行的示例,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>"))
让我们验证一下是否有效;
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>