使用regex从火花中的描述中获取数量

Question

我有一个捕获代码及其描述的数据，我们需要从描述中提取数量。如何用正则表达式提取数量，就像数跟G/KG/L/ML一样

df

code description
1    ABC CHILLIE POWDER 100G
2    DEF POWDER 200G
3    DIL PDWR POWDER 100G
4    RAIN HILL HERB SOU GREED 40G 2 1FRE
5    DEAR CHILLI 200G+COCO POWDER 330ML
6    DIL PDWR 10L POWDER

result_df

code description                                 qty
1    ABC CHILLIE POWDER 100G                     100G
2    DEF POWDER 200G                             200G
3    DIL PDWR POWDER 100G                        100G
4    RAIN HILL HERB SOU GREED 40G 2 1FRE         40G
5    DEAR CHILLI 200G+COCO POWDER 330ML          200G
6    DIL PDWR 10L POWDER                         10L

我在用

df.withColumn("qty", F.regex_extract(F.col("description"), "\dG", 1)

Answer 1

你可以用

df.withColumn("qty", F.regex_extract(F.col("description"), r"(\d+\s?(?:K?G|M?L))\b", 1)

(\d+\s?(?:K?G|M?L))\b模式匹配

• (\d+\s?(?:K?G|M?L)) -捕获组1：
  • \d+ - 1+数字，
  • 然后，\s? -1或0白空间
  • (?:K?G|M?L) -要么是可选的K和G，要么是可选的M然后是L

​

• \b -词边界。

见regex演示。