regex - Spark DataFrame `regexp_replace` 中的反向引用

Question

我最近试图回答 question ，当我意识到我不知道如何在带有 Spark DataFrames 的正则表达式中使用反向引用时。

例如，使用 sed，我可以做到

> echo 'a1
b22
333' | sed "s/\([0-9][0-9]*\)/;\1/"                                                                                                   

a;1
b;22
;333

但使用 Spark DataFrames 我不能:

val df = List("a1","b22","333").toDF("str")
df.show

+---+
|str|
+---+
| a1|
|b22|
|333|
+---+

val res = df  .withColumn("repBackRef",regexp_replace('str,"(\\d+)$",";\\1"))
res.show

+---+-----------+
|str|repBackRef|
+---+----------+
| a1|       a;1|
|b22|       b;1|
|333|        ;1|
+---+----------+

为了明确一点:我不想要这种特殊情况下的结果，我想要一个与反向引用一样通用的解决方案，例如 sed .

另请注意，使用 regexp_extract缺乏，因为它在没有匹配时表现不佳:

val res2 = df
  .withColumn("repExtract",regexp_extract('str,"^([A-z])+?(\\d+)$",2))
res2.show

所以你不得不像我在上述 answer 中所做的那样，对每个模式使用一列进行提取。 .

谢谢!

Answer 1

您需要使用 $+numeric_ID 反向引用语法:

.withColumn("repBackRef",regexp_replace('str,"(\\d+)$",";$1"))
                                                         ^^