时间戳

首页 > 解决方案 > 使用 List 作为搜索变量的 Python RegEx

python - 使用 List 作为搜索变量的 Python RegEx

问题描述

我有一个数据框，每行包含一个email_adress_raw包含多个电子邮件地址的列，我想创建一个新列，其中第一个电子邮件地址具有一个长列表中列出的特定电子邮件结尾。

email_endings = ['email_end1.com','email_end2.com','email_end3.com',...]

我创建了以下函数，它已经在工作，但是由于列表很长并且一直在构建中，我想对代码中的列表或类似的东西进行迭代。我已经想到了一个循环，但不知何故我无法做到......

def email_address_new(s):
    try:
        r = re.search("([\w.-]+@"+email_endings[0]+"|[\w.-]+@"+email_endings[1]+"|[\w.-]+@"+email_endings[2]+")", s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))

标签： pythonapache-sparkpysparkapache-spark-sqluser-defined-functions

解决方案

您可以使用join将列表中的电子邮件结尾组合到正则表达式模式：

email_endings = ['email_end1.com','email_end2.com','email_end3.com']

def email_address_new(s):
    try:
        pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"
        r = re.search(pattern, s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df2 = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))

但是您可能不需要为此目的使用 UDF。您可以使用regexp_extract, 如果不匹配则替换为空字符串（null如果不匹配则regexp_extract返回空字符串）

import pyspark.sql.functions as F

email_endings = ['email_end1.com','email_end2.com','email_end3.com']
pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"

df2 = df.withColumn(
    "email", 
    F.when(
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1) != "",
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1)
    )
)

推荐阅读