PySpark获取Dataframe中所有非ASCII字符

weixin_307779132025-02-14 20:59

python 复制代码

from pyspark.sql import SparkSession
from pyspark.sql.functions import col, concat_ws, explode, split, coalesce, lit
from pyspark.sql.types import StringType

spark = SparkSession.builder.appName("InvalidCharacterFinder").getOrCreate()

# 假设已存在DataFrame df
# df = ...

# 获取所有字符串类型列名
string_columns = [f.name for f in df.schema.fields if isinstance(f.dataType, StringType)]
result = []

if string_columns:
    # 处理空值并合并字符串列
    non_null_cols = [coalesce(col(c), lit("")).alias(c) for c in string_columns]
    combined_df = df.select(non_null_cols).select(concat_ws("", *string_columns).alias("merged_str"))
    
    # 拆分字符并过滤空字符串
    chars_df = combined_df.withColumn("char", explode(split(col("merged_str"), "")))\
                          .filter(col("char") != "")
    
    # 定义合法字符集合
    allowed_chars = set('abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789!'
                        '"#$%&\'()*+,-./:;<=>?@[]^_`{|}~')
    
    # 收集非法字符并去重
    unique_invalid = chars_df.rdd.map(lambda x: x.char)\
                             .filter(lambda c: c not in allowed_chars)\
                             .distinct()\
                             .collect()
    
    # 按首次出现顺序保留字符（分布式环境无法保证绝对顺序）
    seen = set()
    ordered_result = []
    for char in unique_invalid:
        if char not in seen:
            ordered_result.append(char)
            seen.add(char)
    result = ordered_result

print("非法字符集合:", ''.join(result))

代码说明：

数据准备：通过DataFrame Schema识别所有字符串类型的列
空值处理 ：使用coalesce函数将NULL转换为空字符串，确保后续字符串合并有效
列合并 ：使用concat_ws将多个字符串列的值合并为单个字符串
字符拆分：通过split+explode将字符串拆分为单个字符，并过滤空字符
非法字符过滤：使用RDD操作过滤不在白名单中的字符，并通过distinct去重
结果处理：使用有序集合保持字符首次出现的顺序（注意：分布式环境下无法保证绝对顺序）

注意事项：

最终结果字符顺序可能与实际数据中的出现顺序不完全一致
白名单包含94个可打印ASCII字符（排除空格和控制字符）
使用RDD操作提升分布式处理性能
最终结果字符串可能包含各类特殊符号、中文、表情符号等非标准ASCII字符