Fractionnement

Divise la chaîne en fonction des correspondances du motif donné.

Pour la fonction Databricks SQL correspondante, consultez la fonctionsplit.

Syntaxe

Python

from pyspark.sql import functions as dbf

dbf.split(str=<str>, pattern=<pattern>, limit=<limit>)

parameter

parameter	Type	Description
str	pyspark.sql.Column OU str	une expression de chaîne à diviser
pattern	pyspark.sql.Column OU literal string	une chaîne représentant une expression régulière. La chaîne regex doit être une expression régulière Java. accepté comme représentation d'expression régulière, pour la rétrocompatibilité. En plus d'int, limit accepte désormais la colonne et le nom de la colonne.
limit	pyspark.sql.Column ou str ou int	un entier qui contrôle le nombre de fois que pattern est appliqué. _ limit > 0: La longueur du tableau résultant ne dépassera pas limit, et la dernière entrée du tableau résultant contiendra toutes les entrées au-delà du dernier modèle correspondant. _ limit <= 0: pattern sera appliqué autant de fois que possible, et le tableau résultant peut être de n'importe quelle taille.

parameter	Type	Description
str	pyspark.sql.Column OU str	une expression de chaîne à diviser
pattern	pyspark.sql.Column OU literal string	une chaîne représentant une expression régulière. La chaîne regex doit être une expression régulière Java. accepté comme représentation d'expression régulière, pour la rétrocompatibilité. En plus d'int, limit accepte désormais la colonne et le nom de la colonne.
limit	pyspark.sql.Column ou str ou int	un entier qui contrôle le nombre de fois que pattern est appliqué. _ limit > 0: La longueur du tableau résultant ne dépassera pas limit, et la dernière entrée du tableau résultant contiendra toutes les entrées au-delà du dernier modèle correspondant. _ limit <= 0: pattern sera appliqué autant de fois que possible, et le tableau résultant peut être de n'importe quelle taille.

Renvoie

pyspark.sql.Column: tableau de chaînes séparées.

Exemples

Python

from pyspark.sql import functions as dbf
df = spark.createDataFrame([('oneAtwoBthreeC',)], ['s',])
df.select('*', dbf.split(df.s, '[ABC]')).show()
df.select('*', dbf.split(df.s, '[ABC]', 2)).show()
df.select('*', dbf.split('s', '[ABC]', -2)).show()
df = spark.createDataFrame([
('oneAtwoBthreeC', '[ABC]', 2),
('1A2B3C', '[1-9]+', 1),
('aa2bb3cc4', '[1-9]+', -1)], ['s', 'p', 'l'])
df.select('*', dbf.split(df.s, df.p)).show()
df.select(dbf.split('s', df.p, 'l')).show()