我有一个巨大的 rdf 三元组(主题谓词对象)文件,如下图所示。它提取粗体项目并具有以下输出的目标
Item_Id | quantityAmount | quantityUnit | rank
-----------------------------------------------
Q31 24954 Meter BestRank
Q25 582 Kilometer NormalRank
我想提取遵循以下模式的行
主题被赋予一个指针(
<Q31> <prop/P1082> <Pointer_Q31-87RF> .
)指针有一个排名(
<Pointer_Q31-87RF> <rank> <BestRank>
)
和值指针(<Pointer_Q31-87RF> <prop/Pointer_value/P1082> <value/cebcf9>
)valuePointer 依次指向它的 Amount (
<value/cebcf9> <quantityAmount> "24954"
) 和 Unit (<value/cebcf9> <quantityUnit> <Meter>
)
通常的方法是逐行读取文件并提取上述模式中的每一个(使用 sc.textFile('inFile').flatMap(lambda x: extractFunc(x)) 然后通过不同的连接将它们组合起来这样它将提供上表。 有没有更好的方法来解决这个问题?我包括下面的文件示例。
<Q31> <prop/P1082> <Pointer_Q31-87RF> .
<Pointer_Q31-87RF> <rank> <BestRank> .
<Pointer_Q31-87RF> <prop/Pointer_P1082> "+24954"^^<2001/XMLSchema#decimal> .
<Pointer_Q31-87RF> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> 24954
<value/cebcf9> <quantityUnit> <Meter> .
<Q25> <prop/P1082> <Pointer_Q25-8E6C> .
<Pointer_Q25-8E6C> <rank> <NormalRank> .
<Pointer_Q25-8E6C> <prop/Pointer_P1082> "+24954”
<Pointer_Q25-8E6C> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> "582" .
<value/cebcf9> <quantityUnit> <Kilometer> .
最佳答案
如果可以使用\n<Q
作为创建RDD元素的分隔符,那么解析数据 block 就变成了一个纯python任务。下面我创建了一个函数(基于您的示例)来使用正则表达式解析 block 文本并将 cols 信息检索到 Row 对象中(您可能必须调整正则表达式以反射(reflect)实际数据模式,即区分大小写、额外的空格等) :
- 对于每个 RDD 元素,按'\n'(行模式)分割
- 然后对于每一行,按
> <
分割进入列表y
- 我们可以找到
rank
,quantityUnit
通过检查 y[1] 和 y[2],quantityAmount
通过检查 y[1] 和Item_id
通过检查 y[0]。 通过迭代所有必填字段创建 Row 对象,将缺失字段的值设置为 None
from pyspark.sql import Row import re # skipped the code to initialize SparkSession # field names to retrieve cols = ['Item_Id', 'quantityAmount', 'quantityUnit', 'rank'] def parse_rdd_element(x, cols): try: row = {} for e in x.split('\n'): y = e.split('> <') if len(y) < 2: continue if y[1] in ['rank', 'quantityUnit']: row[y[1]] = y[2].split(">")[0] else: m = re.match(r'^quantityAmount>\D*(\d+)', y[1]) if m: row['quantityAmount'] = m.group(1) continue m = re.match('^(?:<Q)?(\d+)', y[0]) if m: row['Item_Id'] = 'Q' + m.group(1) # if row is not EMPTY, set None to missing field return Row(**dict([ (k, row[k]) if k in row else (k, None) for k in cols])) if row else None except: return None
使用 newAPIHadoopFile() 和 \n<Q
设置 RDD作为分隔符:
rdd = spark.sparkContext.newAPIHadoopFile(
'/path/to/file',
'org.apache.hadoop.mapreduce.lib.input.TextInputFormat',
'org.apache.hadoop.io.LongWritable',
'org.apache.hadoop.io.Text',
conf={'textinputformat.record.delimiter': '\n<Q'}
)
使用map函数将RDD元素解析为Row对象
rdd.map(lambda x: parse_rdd_element(x[1], cols)).collect()
#[Row(Item_Id=u'Q31', quantityAmount=u'24954', quantityUnit=u'Meter', rank=u'BestRank'),
# Row(Item_Id=u'Q25', quantityAmount=u'582', quantityUnit=u'Kilometer', rank=u'NormalRank')]
将上面的RDD转成dataframe
df = rdd.map(lambda x: parse_rdd_element(x[1], cols)).filter(bool).toDF()
df.show()
+-------+--------------+------------+----------+
|Item_Id|quantityAmount|quantityUnit| rank|
+-------+--------------+------------+----------+
| Q31| 24954| Meter| BestRank|
| Q25| 582| Kilometer|NormalRank|
+-------+--------------+------------+----------+
一些注意事项:
为了获得更好的性能,请使用
re.compile()
预编译所有正则表达式模式 在将它们传递给 parse_rdd_element() 函数之前。如果
\n
之间可能有空格/制表符和<Q
,多个 block 将被添加到同一个RDD元素中,只需将RDD元素拆分为\n\s+<Q
并替换map()
与flatMap()
.
关于apache-spark - 如何从 pyspark 中的文件中匹配/提取多行模式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57499828/