我有一个类似的记录
"_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。有没有一种简单的方法可以使用 Spark DataFrame 来做到这一点
import pyspark.sql.functions as f
data.select(f.regexp_replace(pattern='\n<BR>',replacement="<BR>",str="row")
类似这样的事情吗?模式应该是什么?
最佳答案
要匹配字符串开头之前的所有字符,您可以使用 .*<BR>
。但是,这与换行符 ( \n
) 不匹配。我找到了解决方案 here ,所以我们的模式可以是 (?s).*<BR>
。下面给出了一个工作示例,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>
关于python - PySpark 2 - 正则表达式替换之前的所有内容 <BR>,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51736050/