模式匹配 - spark scala RDD

Question

我是 Spark 和 Scala 的新手，来自 R background.After RDD 的一些转换，我得到了类型

的 RDD

Description: RDD[(String, Int)]

现在我想在字符串 RDD 上应用正则表达式并从字符串中提取子字符串并在新列中添加子字符串。

输入数据：

BMW 1er Model,278
MINI Cooper Model,248

我正在寻找的输出：

   Input                  |  Brand   | Series      
BMW 1er Model,278,          BMW ,        1er        
MINI Cooper Model ,248      MINI ,      Cooper

其中 Brand 和 Series 是从字符串 RDD 中新计算的子字符串

到目前为止我做了什么。

我可以使用正则表达式为 String 实现此目的，但我可以应用到所有行。

 val brandRegEx = """^.*[Bb][Mm][Ww]+|.[Mm][Ii][Nn][Ii]+.*$""".r //to look for BMW or MINI

那我就可以用

brandRegEx.findFirstIn("hello this mini is bmW testing")

但是我如何将它用于 RDD 的所有行并应用不同的正则表达式来实现如上的输出。

我读到了这段代码片段，但不确定如何将它放在一起。

val brandRegEx = """^.*[Bb][Mm][Ww]+|.[Mm][Ii][Nn][Ii]+.*$""".r

def getBrand(Col4: String) : String = Col4 match {
    case brandRegEx(str)  =>  
    case _ => ""
    return 'substring
}

如有任何帮助，我们将不胜感激！

谢谢

Answer 1

要将正则表达式应用于 RDD 中的每个项目，您应该使用 RDD map 函数，该函数使用某个函数（在本例中为部分函数，以便提取）转换 RDD 中的每一行到构成每一行的元组的两个部分）：

import org.apache.spark.{SparkContext, SparkConf}

object Example extends App {

  val sc = new SparkContext(new SparkConf().setMaster("local").setAppName("Example"))

  val data = Seq(
    ("BMW 1er Model",278),
    ("MINI Cooper Model",248))

  val dataRDD = sc.parallelize(data)

  val processedRDD = dataRDD.map{
    case (inString, inInt) =>
      val brandRegEx = """^.*[Bb][Mm][Ww]+|.[Mm][Ii][Nn][Ii]+.*$""".r
      val brand = brandRegEx.findFirstIn(inString)
      //val seriesRegEx = ...
      //val series = seriesRegEx.findFirstIn(inString)
      val series = "foo"
      (inString, inInt, brand, series)
  }

  processedRDD.collect().foreach(println)
  sc.stop()
}

请注意，我认为您的正则表达式存在一些问题，您还需要一个用于查找系列的正则表达式。此代码输出：

(BMW 1er Model,278,BMW,foo)
(MINI Cooper Model,248,NOT FOUND,foo)

但是如果您根据需要更正正则表达式，这就是您可以将它们应用到每一行的方法。

Answer 2

您好，我正在寻找另一个问题并得到了这个问题。上面的问题可以用普通的变换来解决。

val a=sc.parallelize(collection)
a.map{case (x,y)=>(x.split (" ")(0)+" "+x.split(" ")(1))}.collect

模式匹配 - spark scala RDD

Pattern matching - spark scala RDD

regex

scala

pattern-matching

apache-spark

rdd