Apache spark 如何在pysark中匹配/提取文件中的多行模式
我有一个巨大的rdf三元组文件(主谓宾语),如下图所示。它提取粗体项目的目标,并具有以下输出Apache spark 如何在pysark中匹配/提取文件中的多行模式,apache-spark,pyspark,pyspark-sql,Apache Spark,Pyspark,Pyspark Sql,我有一个巨大的rdf三元组文件(主谓宾语),如下图所示。它提取粗体项目的目标,并具有以下输出 Item_Id | quantityAmount | quantityUnit | rank ----------------------------------------------- Q31 24954 Meter BestRank Q25 582 Kilometer NormalRank
Item_Id | quantityAmount | quantityUnit | rank
-----------------------------------------------
Q31 24954 Meter BestRank
Q25 582 Kilometer NormalRank
我想提取遵循以下模式的行
- 给主题一个指针(
) - 指针具有排名(
)
和值指针(
) - 值指针依次指向其金额(
)和单位(“24954”
)
<Q31> <prop/P1082> <Pointer_Q31-87RF> .
<Pointer_Q31-87RF> <rank> <BestRank> .
<Pointer_Q31-87RF> <prop/Pointer_P1082> "+24954"^^<2001/XMLSchema#decimal> .
<Pointer_Q31-87RF> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> 24954
<value/cebcf9> <quantityUnit> <Meter> .
<Q25> <prop/P1082> <Pointer_Q25-8E6C> .
<Pointer_Q25-8E6C> <rank> <NormalRank> .
<Pointer_Q25-8E6C> <prop/Pointer_P1082> "+24954”
<Pointer_Q25-8E6C> <prop/Pointer_value/P1082> <value/cebcf9> .
<value/cebcf9> <syntax-ns#type> <QuantityValue> .
<value/cebcf9> <quantityAmount> "582" .
<value/cebcf9> <quantityUnit> <Kilometer> .
。
.
"+24954"^^ .
.
.
24954
.
.
.
"+24954”
.
.
"582" .
.
如果您可以使用\n check。例如,在示例数据中,您可以通过设置delimiter='\n\n'以段落模式读取数据,以便在同一RDD元素中读取所有相关行。我的错,是\n\n,我这样做是为了更好的可读性。您可以使用\n顺序不保证我喜欢这种方法,但正如我所说的在前面的评论中,我无法知道上面显示的顺序是否总是保留在大文件中。嗨,@user1848018,你所说的顺序是什么意思
?你能用\n实际分割文本文件吗?我的意思是,如果Q31>@user1848018,我只看到一个缺少的顺便说一句。只要你能使用\n这样的分隔符
from pyspark.sql import Row
import re
# skipped the code to initialize SparkSession
# field names to retrieve
cols = ['Item_Id', 'quantityAmount', 'quantityUnit', 'rank']
def parse_rdd_element(x, cols):
try:
row = {}
for e in x.split('\n'):
y = e.split('> <')
if len(y) < 2:
continue
if y[1] in ['rank', 'quantityUnit']:
row[y[1]] = y[2].split(">")[0]
else:
m = re.match(r'^quantityAmount>\D*(\d+)', y[1])
if m:
row['quantityAmount'] = m.group(1)
continue
m = re.match('^(?:<Q)?(\d+)', y[0])
if m:
row['Item_Id'] = 'Q' + m.group(1)
# if row is not EMPTY, set None to missing field
return Row(**dict([ (k, row[k]) if k in row else (k, None) for k in cols])) if row else None
except:
return None
rdd = spark.sparkContext.newAPIHadoopFile(
'/path/to/file',
'org.apache.hadoop.mapreduce.lib.input.TextInputFormat',
'org.apache.hadoop.io.LongWritable',
'org.apache.hadoop.io.Text',
conf={'textinputformat.record.delimiter': '\n<Q'}
)
rdd.map(lambda x: parse_rdd_element(x[1], cols)).collect()
#[Row(Item_Id=u'Q31', quantityAmount=u'24954', quantityUnit=u'Meter', rank=u'BestRank'),
# Row(Item_Id=u'Q25', quantityAmount=u'582', quantityUnit=u'Kilometer', rank=u'NormalRank')]
df = rdd.map(lambda x: parse_rdd_element(x[1], cols)).filter(bool).toDF()
df.show()
+-------+--------------+------------+----------+
|Item_Id|quantityAmount|quantityUnit| rank|
+-------+--------------+------------+----------+
| Q31| 24954| Meter| BestRank|
| Q25| 582| Kilometer|NormalRank|
+-------+--------------+------------+----------+