Pyspark：使用字符串格式的正则表达式过滤数据框？

Question

我读过几篇关于使用 "like" 运算符根据包含 string/expression 的条件过滤 spark 数据帧的帖子，但想知道以下是否是 "best-practice"在以下所需条件下使用 %s：

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."

备注

我正在尝试获取 dx 中包含表达式 my_keyword 的所有行。否则，对于精确匹配，我们不需要围绕百分号“%”。

Answer 1

试试下面提到的类似函数。

df.filter(<column_name> rlike "<regex_pattern>")

例如。

dk = dx.filter($"keyword" rlike "<pattern>")

Answer 2

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 似乎不支持开箱即用的 $ 命名法。

Answer 3

我使用以下时间戳正则表达式

expression = r'[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[1-2][0-9]|3[0-1]) (2[0-3]|[01][0-9]):[0-5][0-9]:[0-5][0-9]'
df1 = df.filter(df['eta'].rlike(expression))

Pyspark：使用字符串格式的正则表达式过滤数据框？

Pyspark: filter dataframe by regex with string formatting?

regex

apache-spark-sql

pyspark

spark-dataframe

pyspark-sql