Spark regexp_extract() 失败 - 正则表达式组计数为 0，但指定的组索引为 1

Question

我想提取字符串的最后一部分（在最后一个正斜杠之后）。 当我使用以下代码时，它失败并出现错误：

library(sparklyr)
library(tidyverse)

sc <- spark_connect(method = "databricks")

tibble(my_string = c("aaa/bbb/ccc", "ddd/eee/fff", "ggg/hhh/iii")) %>%
  copy_to(sc, ., "test_regexp_extract", overwrite = TRUE) %>%
  mutate(my_result = regexp_extract(my_string, "(?<=/)[^/]*$")) %>%
  count(my_result)

java.lang.IllegalArgumentException：正则表达式组计数为 0，但 指定组索引为1

show_query()

显示以下查询：

<SQL>
SELECT `my_result`, COUNT(*) AS `n`
FROM (SELECT `my_string`, regexp_extract(`my_string`, "(?<=/)[^/]*$") AS `my_result`
FROM `test_regexp_extract`) `q01`
GROUP BY `my_result`

我怀疑这可能是正则表达式中的正斜杠字符的问题。我试图用反斜杠来转义它。
另一个想法是，由于某种原因，当未找到匹配项时，它会失败。根据 Spark 文档，它应该可以工作：

如果正则表达式不匹配，或者指定的组不匹配，则会出现 返回空字符串。

知道为什么会失败吗？在 R 中，相同的代码可以正常工作。

Answer 1

regexp_extract

默认返回第一组。您的正则表达式模式

(?<=/)[^/]*$

有没有组，所以这就是问题所在。你可以：

• 使用

  ()

  创建一个组，例如

  (?<=/)([^/]*)$

• 将

  0

  添加为函数的第三个参数：

  regexp_extract(my_string, "(?<=/)[^/]*$", 0)

  。这样，将返回完整的正则表达式匹配，而不是仅返回第一组。