求助：如何在PySpark DataFrame中使用regexp_extract提取指定内容

要从目标字符串里提取SUK-8935，可以通过regexp_extract函数结合精准正则表达式实现，以下是具体操作步骤和代码示例：

核心逻辑 #

目标字符串SUK-8935位于文本开头，格式为字母-数字组合且紧跟空格，我们可以用正则匹配该开头模式，通过捕获组提取结果。

代码实现 #

from pyspark.sql import SparkSession
from pyspark.sql.functions import regexp_extract

# 初始化Spark会话
spark = SparkSession.builder.appName("ExtractTargetCode").getOrCreate()

# 构造示例DataFrame
sample_data = [("SUK-8935 Phase 58: Accessories Launch - Optase Cleaning Gel - UK",)]
df = spark.createDataFrame(sample_data, ["content_col"])

# 提取目标字符串
# regexp_extract参数：列名、正则表达式、捕获组索引（这里取第一个捕获组）
df = df.withColumn("extracted_code", regexp_extract("content_col", "^(SUK-\\d+)", 1))

# 查看结果
df.show(truncate=False)

正则表达式说明 #

• ^：锚定字符串起始位置，确保只匹配开头内容
• SUK-：精确匹配字面量"SUK-"
• \d+：匹配1个或多个数字（\d代表数字，+表示至少出现一次）
• ()：将匹配到的SUK-xxxx标记为捕获组，第三个参数1指定提取第一个捕获组的内容

通用替代方案 #

如果你的场景中开头代码是任意非空白字符（直到第一个空格），可以用更通用的正则^(\S+)，同样能提取目标内容：

df = df.withColumn("extracted_code", regexp_extract("content_col", "^(\S+)", 1))

内容的提问来源于stack exchange，提问作者Thenappan PL