PySpark中使用正则提取字符串Becv后数字串的方法咨询

需求说明 #

从类似rasm_4_Becv0_0_1234_rasm_3exm的字符串中，提取Becv之后由数字和下划线组成的可变序列（示例中为0_0_1234）。

正则表达式写法 #

核心正则为：Becv([0-9_]+)

• Becv：精准匹配前缀标识
• ([0-9_]+)：捕获组，匹配一个或多个数字/下划线，直到遇到第一个非数字、非下划线的字符（刚好对应目标可变串的边界）

如果需要更严格限定目标串后接下划线（避免极端场景的误匹配），可以用正向预查优化：Becv([0-9_]+)(?=_)

PySpark代码实现 #

使用Spark内置的regexp_extract函数完成提取，示例代码如下：

from pyspark.sql import functions as F

# 假设你的DataFrame名为df，目标字符串列名为raw_str
df = df.withColumn(
    "target_num_str",
    F.regexp_extract("raw_str", r"Becv([0-9_]+)", 1)
)

• regexp_extract第三个参数1表示提取第一个捕获组的内容（也就是我们需要的数字下划线串）
• 前缀r表示原生字符串，避免转义字符干扰

内容的提问来源于stack exchange，提问作者saloni