如何在PySpark DataFrame的字母数字列中提取两个字母之间的数字

核心正则逻辑 #

根据你的数据规则，直接使用带捕获组的正则匹配即可：
^[A-Za-z](\d+)[A-Za-z]

• ^ 匹配字符串开头
• 第一个[A-Za-z]匹配开头的第一个英文字母
• (\d+) 捕获组1，匹配1个及以上的连续数字（就是你要的两个字母中间的内容）
• 第二个[A-Za-z]匹配出现在第4-7位的第二个英文字母

代码实现 #

# 导入所需函数
from pyspark.sql.functions import regexp_extract

# 假设你的DataFrame名为df，存储原始字符串的列名为raw_str
df = df.withColumn(
    "middle_num", # 新列名
    regexp_extract("raw_str", r"^[A-Za-z](\d+)[A-Za-z]", 1)
)

注：regexp_extract的第三个参数1代表取第一个捕获组的内容，正好对应两个字母中间的数字。如果需要数值类型可以在后面追加.cast("int")转成整型。

之前正则失效的原因 #

• 你用的.*是贪婪匹配规则，会尽可能匹配更长的字符串，无法精准只保留中间数字
• 没有用捕获组把需要的数字单独拆分出来，所以匹配结果会包含前后的字母

内容的提问来源于stack exchange，提问作者Leo