PySpark正则提取邮编区域触发IndexOutOfBoundsException问题求助

嘿，这个问题我之前踩过一模一样的坑！你遇到的java.lang.IndexOutOfBoundsException: No group 1错误，根源特别明确：

你调用regexp_extract时第三个参数传了1，这个参数指定的是要提取正则表达式里的第1个捕获组，但你写的正则^[a-zA-Z]+\d\d?[a-zA-Z]?根本没有定义任何捕获组——也就是没用到圆括号()把你想要提取的部分包裹起来！Spark找不到对应的分组，自然就抛出这个异常了。

修复方案 #

把你想要提取的区域部分用圆括号括起来，创建一个捕获组，这样参数1就能正确指向这个分组了。修改后的代码如下：

postcodes.select(
    "raw_postcode",
    regexp_extract('raw_postcode', '^([a-zA-Z]+\\d\\d?[a-zA-Z]?)', 1).alias("area")
).show(40, False)

额外提示 #

• 如果你的需求只是提取整个正则匹配的内容，其实也可以把第三个参数改成0（0代表匹配整个正则表达式的结果），这样不用加括号也能运行，但用捕获组会更清晰，尤其是后续需要调整提取部分的时候。
• 考虑到可能存在不匹配正则的邮编记录，regexp_extract会给这些记录返回空字符串，你可以根据需求加上过滤逻辑：

  from pyspark.sql.functions import col
  
  postcodes.select(
      "raw_postcode",
      regexp_extract('raw_postcode', '^([a-zA-Z]+\\d\\d?[a-zA-Z]?)', 1).alias("area")
  ).where(col("area") != "").show(40, False)
  

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