PySpark：获取正则模式在列中的位置，无匹配时返回0

算力阿峰

2026-7-7

解决PySpark正则匹配位置无匹配时返回0的问题

问题分析

你当前的代码中，当正则无匹配时regexp_extract会返回空字符串，而Spark的locate函数查找空字符串时默认返回1（因为空字符串被视为存在于字符串的起始位置），这不符合你需要返回0的需求。

解决方案

可以通过条件判断处理空字符串的情况，以下是几种实现方式：

1. 使用IF函数简化实现

直接判断提取结果是否为空，为空则返回0，否则返回匹配位置：

spark.sql("""
select 
  if(regexp_extract('0000000', '([X,Y,Z,W])', 1) = '', 0, 
     locate(regexp_extract('0000000', '([X,Y,Z,W])', 1), '0000000')) 
  as check_pos_string
""").show()

有匹配场景（如字符串'0000X00'）：返回正确位置5
无匹配场景：返回0

2. 使用CASE WHEN语句（更清晰的逻辑分支）

如果需要更明确的逻辑分支，可使用CASE WHEN：

spark.sql("""
select 
  case 
    when regexp_extract('0000000', '([X,Y,Z,W])', 1) = '' then 0
    else locate(regexp_extract('0000000', '([X,Y,Z,W])', 1), '0000000')
  end as check_pos_string
""").show()

3. 避免重复调用函数（使用子查询/CTE）

如果要优化性能，避免重复调用regexp_extract，可以用CTE暂存提取结果：

spark.sql("""
with temp_data as (
  select 
    '0000000' as target_str,
    regexp_extract('0000000', '([X,Y,Z,W])', 1) as matched_char
)
select 
  if(matched_char = '', 0, locate(matched_char, target_str)) as check_pos_string
from temp_data
""").show()