PySpark正则表达式提取括号内最后元素问题求助

看起来你遇到的问题是正则匹配的贪婪性和捕获组使用不当导致的，我来帮你梳理一下并给出解决方案：

问题分析 #

• 你的第一个正则 (?<=\\().+?(?=\\)) 使用了非贪婪匹配（+?），所以会找到字符串中第一个出现的括号对，提取里面的内容，这就是为什么多组括号时会拿到123而不是最后一组的hi。
• 第二个正则 \\(([^)]+)\\)?$ 虽然定位到了结尾的括号，但你用了捕获组索引0（默认值），这个索引返回的是整个正则匹配的内容（也就是带括号的(hi)），而不是你需要的括号内的文本。

解决方案 #

我们需要调整正则，让它定位到最后一组括号，并且只提取括号内的内容。可以用下面的正则配合捕获组索引1来实现：

tmp = tmp.withColumn("needed", regexp_extract(col("txt"), ".*\\(([^)]+)\\)", 1));

正则解释 #

• .*：贪婪匹配任意数量的任意字符，这样会一直匹配到字符串中最后一个(的位置，确保我们定位到最后一组括号。
• \\(：匹配左括号（因为括号是正则特殊字符，需要用反斜杠转义）。
• ([^)]+)：这是我们的捕获组，匹配一个或多个不是右括号的字符，也就是括号内的目标内容。
• \\)：匹配右括号。
• 最后用捕获组索引1，直接提取这个捕获组里的内容，而不是整个匹配结果。

修改后的运行结果 #

调整后你的tmp.show()会输出：

+---+--------------------+---+----+------+
| id|                 txt|old| new|needed|
+---+--------------------+---+----+------+
| 1|foo (123) oiashdj...|123|(hi)|    hi|
| 2| bar oiashdj (hi)| hi|(hi)|    hi|
+---+--------------------+---+----+------+

完全符合你需要的结果啦！

内容的提问来源于stack exchange，提问作者Raymont