Regex java.lang.IndexOutOfBoundsException:无组1 | Pyspark

我试图使用带有Pyspark中以下脚本的正则表达式提取某些邮政编码的地区：

postcodes.选择（“原始邮政编码”，regexp\u extract（'raw\u postcode'，”^[a-zA-Z]+\d\d？[a-zA-Z]？，1）.别名（“区域”）.显示（40，假）

我得到以下例外：

Py4JJavaError: An error occurred while calling o562.showString.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 17.0 failed 4 times, most recent failure: Lost task 0.3 in stage 17.0 (TID 44, ip-172-31-100-215.eu-west-1.compute.internal, executor 1): java.lang.IndexOutOfBoundsException: No group 1
    at java.util.regex.Matcher.group(Matcher.java:538)

我曾单独在Python中尝试过正则表达式，它可以工作，但在pyspark中它给我带来了麻烦。帮我找出原因。

试试下面的模式

^([a-zA-Z]+[0-9]{1,2}[a-zA-Z]?)

---

regexp\u extract

的第二个参数表示要提取其内容的捕获组的数目。但是，您的正则表达式没有定义捕获组，因此，您需要将

0

作为第二个参数传递

此外，您可以使用

[0-9]

而不是

\d

来避免转义问题

因此，您可以使用

postcodes.select("raw_postcode", 
   regexp_extract('raw_postcode', '^[a-zA-Z]+[0-9]{1,2}[a-zA-Z]?', 0).alias("area")
).show(40, False)

详细信息

• ^

  -字符串的开头

• [a-zA-Z]+

  -1+ASCII字母

• [0-9]{1,2}

  -1或2位数字

• [a-zA-Z]？

  -可选的ASCII字母

---

替换

中的
1
，1）。别名（

到

0

。也可以尝试使用

'^[a-zA-Z]+[0-9]{1,2}[a-zA-Z]？“

@WiktorStribiżew这一个有效！简单而快速。将其作为正式答案添加。您好，您错过了对正则表达式值的探索。@MenakaSankar OP没有错过它，没有必要在此处添加任何分组构造。这是额外的开销（尽管非常小）到正则表达式引擎。请注意，OP regex仅匹配

abc123

中的

abc12

，您的将匹配

abc123

。此外，如果可以直接访问整个匹配，则无需添加额外的外部分组，而且这是可能的。感谢您的解释：）@MenakaSankar你写了一个答案来解释你不知道的事情。你为什么要那样做？