以列表作为搜索变量的Python正则表达式

我有一个数据框，其中一列

email\u address\u raw

，每行包含多个电子邮件地址，我想创建一个新列，其中第一个电子邮件地址的特定电子邮件结尾列在一个长列表中

email_endings=['email_end1.com'、'email_end2.com'、'email_end3.com'、…]

我创建了下面的函数，它已经开始工作了，但是由于列表很长并且一直在构建中，我想在代码中对列表进行迭代或者类似的操作。我已经想到了一个循环，但不知何故我没有做到这一点

def email_address_new(s):
    try:
        r = re.search("([\w.-]+@"+email_endings[0]+"|[\w.-]+@"+email_endings[1]+"|[\w.-]+@"+email_endings[2]+")", s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))

---

您可以使用

join

将列表中的电子邮件结尾组合到正则表达式模式：

email_endings = ['email_end1.com','email_end2.com','email_end3.com']

def email_address_new(s):
    try:
        pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"
        r = re.search(pattern, s).group()
    except AttributeError:
        print(s)
        return None
    except TypeError:
        print(s)
        return None
    return r

udf_email_address_new= F.udf(email_address_new, StringType())

df2 = df.withColumn("email", udf_email_address_new(F.col("email_adress_raw")))

但是你可能不需要一个UDF来达到这个目的。您只需使用

regexp\u extract

，如果不匹配，则将空字符串替换为

null

（

regexp\u extract

如果不匹配，则返回空字符串）

import pyspark.sql.functions as F

email_endings = ['email_end1.com','email_end2.com','email_end3.com']
pattern = "([\w.-]+@" + "|[\w.-]+@".join(email_endings) + ")"

df2 = df.withColumn(
    "email", 
    F.when(
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1) != "",
        F.regexp_extract(F.col("email_adress_raw"), pattern, 1)
    )
)