在pyspark中找到正则表达式？

Question

I have a column in pyspark dataframe which contain values separated by ; 

+----------------------------------------------------------------------------------+
|name                                                                              |
+----------------------------------------------------------------------------------+
|tppid=dfc36cc18bba07ae2419a1501534aec6fdcc22e0dcefed4f58c48b0169f203f6;xmaslist=no|
+----------------------------------------------------------------------------------+

因此，如果我使用此列，则在此列中可以有任意数量的键值对

df.withColumn('test', regexp_extract(col('name'), '(?<=tppid=)(.*?);', 1)).show(1,False)

我可以提取tppid，但是当tppid不能连续提取时，它是行中的最后一个键值对，我想要一个regx，它可以提取键值在行中的位置。 / p>

Answer 1

您可以使用否定的字符类[^;]来匹配除;以外的任何字符：

tppid=([^;]+)

请参见regex demo

由于regexp_extract的第三个参数是1（访问第1组的内容），因此您可以丢弃后向构造并使用tppid=作为使用模式的一部分。

Answer 2

除了WiktorStribiżew的答案外，您还可以使用锚点。 $表示字符串的结尾。

tppid=\w+(?=;|\s|$) 

this正则表达式也只为您提取不含tppid=部分的值：

(?<=tppid=)\w+(?=;|\s|$)