regex - Pyspark:通过字符串格式的正则表达式过滤数据帧？

Question

我读过几篇关于使用“like”运算符通过包含字符串/表达式的条件来过滤 Spark 数据帧的文章，但想知道以下是否是在 %s 中使用 %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

我正在尝试获取 dx 中包含表达式 my_keyword 的所有行。否则，为了精确匹配，我们不需要周围的百分号“%”。

Answer 1

根据 neeraj 的提示，在 pyspark 中执行此操作的正确方法似乎是:

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

请注意，dx.filter($"keyword"...) 不起作用，因为(我的版本)pyspark 似乎不支持 $ 命名法开箱即用。