火花过滤与正则表达式

Question

我想过滤文件数据到每个日期的好的和坏的数据，因此会得到2个结果文件。从测试文件中，前4行需要输入正确的数据，并且在错误的数据中输入2行。

我有2个问题

1. 我没有得到任何好数据，结果文件是空

2. 和坏数据的结果看起来像下面 - 拿起名称的字符只有

   （ ，C，H） （，J，U） （，T，H） （，J，O） （N，E） （，B，I）

测试文件

Christopher|Jan 11, 2017|5 
Justin|11 Jan, 2017|5 
Thomas|6/17/2017|5 
John|11-08-2017|5 
Neli|2016|5 
Bilu||5 

加载和RDD

scala> val file = sc.textFile("test/data.txt") 
scala> val fileRDD = file.map(x => x.split("|")) 

正则表达式

scala> val singleReg = """(\w(3))\s(\d+)(,)\s(\d(4))|(\d+)\s(\w(3))(,)\s(\d(4))|(\d+)(\/)(\d+)(\/)(\d(4))|(\d+)(-)(\d+)(-)(\d(4))""".r 

是在beginni三“（双引号） ng和end和.r在这里很重要？

过滤 问题区域

scala> val validSingleRecords = fileRDD.filter(x => (singleReg.pattern.matcher(x(1)).matches)) 
scala> val badSingleRecords = fileRDD.filter(x => !(singleReg.pattern.matcher(x(1)).matches)) 

开启数组转换为字符串

scala> val validSingle = validSingleRecords.map(x => (x(0),x(1),x(2))) 
scala> val badSingle = badSingleRecords.map(x => (x(0),x(1),x(2))) 

写文件

scala> validSingle.repartition(1).saveAsTextFile("data/singValid") 
scala> badSingle.repartition(1).saveAsTextFile("data/singBad") 

更新1 我上面的正则表达式是错误的，我已经更新为。在阶反斜杠是一个转义字符，所以需要复制

val singleReg = """\\w{3}\\s\\d+,\\s\\d{4}|\\d+\\s\\w{3},\\s\\d{4}|\\d+\/\\d+\/\\d{4}|\\d+-\\d+-\\d{4}""".r 

经过正则表达式上regex101并且在第一4行的日期通过。

我再次运行测试，我仍然得到相同的结果。

Answer 1

有2个问题的代码：

1. 的字符，你正在使用拆分的data.txt行是错误的。它应该是'|'而不是"|"。
2. 正则表达式singleReg是错误的。

正确的代码如下所示：

加载和RDD

scala> val file = sc.textFile("test/data.txt") 
scala> val fileRDD = file.map(x => x.split('|')) 

正则表达式

scala> val singleReg = """\w{3}\s\d{2},\s\d{4}|\d{2}\s\w{3},\s\d{4}|\d{1}\/\d{2}\/\d{4}|\d{2}-\d{2}-\d{4}""".r 

过滤

scala> val validSingleRecords = fileRDD.filter(x => (singleReg.pattern.matcher(x(1)).matches)) 
scala> val badSingleRecords = fileRDD.filter(x => !(singleReg.pattern.matcher(x(1)).matches)) 

开启数组转换为字符串

scala> val validSingle = validSingleRecords.map(x => (x(0),x(1),x(2))) 
scala> val badSingle = badSingleRecords.map(x => (x(0),x(1),x(2))) 

写文件

scala> validSingle.repartition(1).saveAsTextFile("data/singValid") 
scala> badSingle.repartition(1).saveAsTextFile("data/singBad") 

上面的代码将会给你下面的输出 -

数据/ singValid

(Christopher,Jan 11, 2017,5) 
(Justin,11 Jan, 2017,5) 
(Thomas,6/17/2017,5) 
(John,11-08-2017,5) 

数据/ singBad

(Neli,2016,5) 
(Bilu,,5)