Question

我有一个名为“结果”的字母数字列，我想将其解析为4个不同的列：前缀，后缀，值和pure_text。

我想通过使用RLIKE和REGEX的Spark SQL来解决此问题，但也可以对PySpark / Scala开放

纯文本：仅包含字母（或）（如果存在数字），则它们应具有特殊字符“-”或多个小数（即9.9.0）或数字后跟一个字母然后再输入一个数字（即3x4u）

前缀：任何无法归类为“ pure_text”的内容都将被考虑在内。需要提取第一个数字[0-9]之前的任何字符。

后缀：任何不能归类为“ pure_text”的内容都将被考虑在内。最后一位[0-9]之后的任何字符都需要提取。

值：任何不能归类为“ pure_text”的内容都将被考虑在内。提取所有数值，包括小数点。

Result 

11 H
111L
<.004
>= 0.78
val<=0.6
xyz 100 abc
1-9
aaa 100.3.4 
a1q1

预期输出：

Result         Prefix     Suffix   Value    Pure_Text

11 H                           H      11
111L                           L     111       
.9                                   0.9
<.004               <              0.004
>= 0.78            >=               0.78
val<=0.6        val<=                0.6
xyz 100 abc      xyz         abc     100
1-9                                              1-9
aaa 100.3.4                              aaa 100.3.4 
a1q1                                            a1q1

Answer 1

这是使用UDF的一种方法，该UDF应用模式匹配将字符串内容提取到case类中。模式匹配以正则表达式模式value的数字[+-]?(?:\d*\.)?\d+为中心，以提取数字的首次出现，例如“ 1.23”，“。99”，“-100”等。 suffix中捕获的其余子字符串确定原始字符串中的数字子字符串是否合法。

import org.apache.spark.sql.functions._
import spark.implicits._

case class RegexRes(prefix: String, suffix: String, value: Option[Double], pure_text: String)

val regexExtract = udf{ (s: String) =>
  val pattern = """(.*?)([+-]?(?:\d*\.)?\d+)(.*)""".r
  s match {
    case pattern(pfx, num, sfx) =>
      if (sfx.exists(_.isDigit))
        RegexRes("", "", None, s)
      else
        RegexRes(pfx, sfx, Some(num.toDouble), "")
    case _ =>
      RegexRes("", "", None, s)
  }
}

val df = Seq(
  "11 H", "111L", ".9", "<.004", ">= 0.78", "val<=0.6", "xyz 100 abc", "1-9", "aaa 100.3.4", "a1q1"
).toDF("result")

df.
  withColumn("regex_res", regexExtract($"result")).
  select($"result", $"regex_res.prefix", $"regex_res.suffix", $"regex_res.value", $"regex_res.pure_text").
  show
// +-----------+------+------+-----+-----------+
// |     result|prefix|suffix|value|  pure_text|
// +-----------+------+------+-----+-----------+
// |       11 H|      |     H| 11.0|           |
// |       111L|      |     L|111.0|           |
// |         .9|      |      |  0.9|           |
// |      <.004|     <|      |0.004|           |
// |    >= 0.78|   >= |      | 0.78|           |
// |   val<=0.6| val<=|      |  0.6|           |
// |xyz 100 abc|  xyz |   abc|100.0|           |
// |        1-9|      |      | null|        1-9|
// |aaa 100.3.4|      |      | null|aaa 100.3.4|
// |       a1q1|      |      | null|       a1q1|
// +-----------+------+------+-----+-----------+

Spark-使用正则表达式从字母数字字符串中提取数值

1 个答案: