使用正则表达式清理邮政地址（spark regexp_extract）

Question

我想剪掉一些地址的末尾:
"1 rue de l'église" => "1 rue de l'église"
"2 rue de la poste 公寓 B" => "2 rue de la poste"
"3 4 rue de la mairie 2eme étage" => "3 4 rue de la mairie"

规则是：如果在地址中间发现数字或关键字（“appartement”或“escalier”），则剪切前面的地址。

开头显然是“

^(\[0-9 \]\*

”，但我不能说“如果没有数字则取字符 OR 'appartement' OR 'escalier'”。

我的尝试之一：

my_df.select("adresse_rue").withColumn(
    "adresse_rue", 
    f.regexp_extract(
        "adresse_rue",
        r'^([0-9 ]*[^(0-9| appartement | escalier )]*)([0-9]| appartement | escalier )?.*$',
        0)).take(20)

也许

?:

和

?!

可以提供帮助，但我没有找到如何帮助。

Answer 1

使用正则表达式，您的方向是正确的。您可以使用 负前瞻 断言

(?!pattern)

来实现所需的结果。以下是修改正则表达式的方法：

r'^(?:(?! +(?:\d+[a-z]|appartement|escalier)).)*'

说明：

• (?:\d+[a-z]|appartement|escalier)

  与您的关键字匹配（“appartement”或“escalier”，或后跟拉丁字母的任何数字序列）。

• (?! +(?:\d+[a-z]|appartement|escalier))

  表示“后面至少没有一个空格和关键字”。

• (?:(?! +(?:\d+[a-z]|appartement|escalier)).)*

  在每个匹配的字符之前进行此检查。

查看 演示 @ regex101.com。