[英]how to create a generic regular expression so that all group result can be extract in scala spark
我们有 .txt 日志文件,我使用 scala spark 读取文件。 该文件包含按行排列的数据集。 我一一读取数据,如下所示
val sc = spark.SparkContext
val dataframe = sc.textFile(/path/to/log/*.txt)
所有日志文件中的数据主要是三种类型,其中一种如下
ManagedElement=LNJ05193B,ENodeBFunction=1,RadioBearerTable=default,DataRadioBearer=1 dlMaxRetxThreshold 8 LNJ05193B dlMaxRetxThreshold 8
ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=DNJ05024D31 enableServiceSpecificHARQ false DNJ05024D31 enableServiceSpecificHARQ FALSE
ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=LNJ05024D31 primaryUpperLayerInd OFF LNJ05024D31 primaryUpperLayerInd OFF
第二种类型的线是这种类型
ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=BNJ05024D31,EUtranFreqRelation=5035 connectedModeMobilityPrio 7 LNJ05024D 5035 connectedModeMobilityPrio
和一些原始线如下:
ManagedElement=LNJ05147D,ENodeBFunction=1,EUtranCellFDD=LNJ05147D11,EUtranFreqRelation=2250,EUtranCellRelation=310260-51992-1 cellIndividualOffsetEUtran 0 LNJ05147D11 2250 310260 cellIndividualOffsetEUtran 0
我尝试制作一个包含所有上述记录的通用 csv 文件,如下所示
在所有类型的行中,公共部分是 Mana= 和 ENF= 因此使用正则表达式如
val regx_first_exp = """"Manag=(\w*).*ENF=(\w),.*""".r
最后两个词是键值,可以像下面这样提取
val last_two = """(\w+)=(\w+[^=])"""".r
在两者之间,我尝试在不同的 eqal to( =sign) 之后提取值,如果没有匹配,则希望放入不同的列,而不是在特定列中简单放置空值。
最终结果如下:
+--------------+-----------+---------------+--------------+--------------------------+----------+
|managedElement|cellFDD |targetFrequency|targetCell |paramName |paramValue|
+--------------+-----------+---------------+--------------+--------------------------+----------+
|LNJ05025D |DNJ05025D31|AWS_2087 |null |threshXHighQ |0 |
|LNJ05024D |BNJ05024D31|5035 |null |connectedModeMobilityPrio |7 |
|LNJ05193B |null |null |null |dlMaxRetxThreshold |8 |
|LNJ05024D |DNJ05024D31|null |null |enableServiceSpecificHARQ |false |
|LNJ05024D |LNJ05024D31|null |null |primaryUpperLayerInd |OFF |
|LNJ05147D |LNJ05147D11|2250 |310260-51992-1|cellIndividualOffsetEUtran|0 |
+--------------+-----------+---------------+--------------+--------------------------+----------+
这是否可以在单个正则表达式或多个 udf 函数中与最小过滤器一样多?
我是 Scala 的新手,请提供相同的建议。 图像中的最后一列仅用于一一提到的行类型。
这里是一个解决方案,使用模式匹配正则表达式的4个不同的正则表达式表达作品解释在这里:
val df = Seq(
("ManagedElement=LNJ05025D,ENodeBFunction=1,EUtranCellFDD=DNJ05025D31,UtranFreqRelation=AWS_2087 threshXHighQ 0"),
("ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=BNJ05024D31,EUtranFreqRelation=5035 connectedModeMobilityPrio 7"),
("ManagedElement=LNJ05193B,ENodeBFunction=1,RadioBearerTable=default,DataRadioBearer=1 dlMaxRetxThreshold 8"),
("ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=DNJ05024D31 enableServiceSpecificHARQ false"),
("ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=LNJ05024D31 primaryUpperLayerInd OFF"),
("ManagedElement=LNJ05147D,ENodeBFunction=1,EUtranCellFDD=LNJ05147D11,EUtranFreqRelation=2250,EUtranCellRelation=310260-51992-1 cellIndividualOffsetEUtran 0")
).toDF("logs")
case class LogItem(managedElement: String, cellFDD: String, targetFrequency: String, targetCell: String, paramName: String, paramValue: String)
// 1st type: ManagedElement=LNJ05025D,ENodeBFunction=1,EUtranCellFDD=DNJ05025D31,UtranFreqRelation=AWS_2087 threshXHighQ 0
// extract 5 groups
val log1RegExpr = """^ManagedElement=(\w+).*EUtranCellFDD=(\w+).*tranFreqRelation=(\w+)\s(\w+)\s(\w+)$""".r
// 2nd type: ManagedElement=LNJ05193B,ENodeBFunction=1,RadioBearerTable=default,DataRadioBearer=1 dlMaxRetxThreshold 8
// extract 3 groups
val log2RegExpr = """^ManagedElement=(\w+).*\s(\w+)\s(\w+)$""".r
// 3rd type: ManagedElement=LNJ05024D,ENodeBFunction=1,EUtranCellFDD=DNJ05024D31 enableServiceSpecificHARQ false
// extract 4 groups
val log3RegExpr = """^ManagedElement=(\w+).*EUtranCellFDD=(\w+)\s(\w+)\s(\w+)$""".r
// 4th type: ManagedElement=LNJ05147D,ENodeBFunction=1,EUtranCellFDD=LNJ05147D11,EUtranFreqRelation=2250,EUtranCellRelation=310260-51992-1 cellIndividualOffsetEUtran 0
// extract 6 groups
val log4RegExpr = """^ManagedElement=(\w+).*EUtranCellFDD=(\w+).*tranFreqRelation=(\w+).*EUtranCellRelation=(\S+)\s(\w+)\s(\w+)$""".r
df.map{row =>
row.getString(0) match {
case log4RegExpr(me, cf, tf, tc, pn, pv) => LogItem(me, cf, tf, tc, pn, pv)
case log1RegExpr(me, cf, tf, pn, pv) => LogItem(me, cf, tf, null, pn, pv)
case log3RegExpr(me, cf, pn, pv) => LogItem(me, cf, null, null, pn, pv)
case log2RegExpr(me, pn, pv) => LogItem(me, null, null, null, pn, pv)
case _ => throw new Exception("Invalid format")
}
}.show(false)
和输出:
+--------------+-----------+---------------+--------------+--------------------------+----------+
|managedElement|cellFDD |targetFrequency|targetCell |paramName |paramValue|
+--------------+-----------+---------------+--------------+--------------------------+----------+
|LNJ05025D |DNJ05025D31|AWS_2087 |null |threshXHighQ |0 |
|LNJ05024D |BNJ05024D31|5035 |null |connectedModeMobilityPrio |7 |
|LNJ05193B |null |null |null |dlMaxRetxThreshold |8 |
|LNJ05024D |DNJ05024D31|null |null |enableServiceSpecificHARQ |false |
|LNJ05024D |LNJ05024D31|null |null |primaryUpperLayerInd |OFF |
|LNJ05147D |LNJ05147D11|2250 |310260-51992-1|cellIndividualOffsetEUtran|0 |
+--------------+-----------+---------------+--------------+--------------------------+----------+
如您所见,我们在匹配给定表达式之一后返回案例类 LogItem 的实例。
这里要注意两点:
您应该谨慎地保持上面指定的匹配案例的顺序,从较大(要提取的匹配项更多)到较小(更少匹配项),否则 log4 可能属于 log2 类别,因为仍然存在匹配项!
从您的示例中,似乎 EUtranCellRelation 包含特殊字符,因此需要\\S+
(非空格字符)而不是\\w
。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.