Удалите весь текст из строки после последовательности слов в Scala

Question

Я пытаюсь собрать UDF в Scala, который берет столбец из фрейма данных и обрабатывает его, чтобы удалить HTML и другие бесполезные фрагменты текста.

Столбец Мне нужно изменить очень неаккуратно, иногда есть HTML, иногда нет ... Поиск SO Я нашел регулярки решения remove HTML

, что я хотел бы достичь в настоящее время является найти регулярное выражение, которое может найти определенное слово в тексте и удалить весь текст после этого слова.

Я думаю, что я понял из this SO answer, что регулярное выражение должно быть что-то вроде \).*, если вы хотите, чтобы удалить все после ), так что я пытаюсь адаптировать это к моему делу, но безуспешно из-за мое отсутствие знаний о регулярных выражениях.

У меня есть строки, как:

I am interested to hear from you, thanks Sent from iPhone other stuff I want to delete.... 

Я хотел бы сохранить первую часть строки до «Направлено из» исключены, так идеальный результат будет:

I am interested to hear from you, thanks 

То, что я до сих пор что-то вроде:

val toStringNoHTML = udf[String, String](_.toString 
    // code from SO as linked above 
    .replaceAll("""<(?!\/?a(?=>|\s.*>))\/?.*?>""", " ") 
    // delete all text after key word 
    .replaceAll("""'Sent from'.*""", "") 
    // remove all punctuation 
    .replaceAll("""[\p{Punct}\n]""", " ") 
    ) 

в то время как HTML получает удалить, то «Направлено» и весь текст после того, как делает не. Любой намек на то, как настроить регулярное выражение, чтобы заставить его работать?

EDIT как было указано в комментарии, небольшой опечатка предотвращено код, чтобы работать, спасибо за помощь:

.replaceAll("""'Sent from'.*""", "") 

должен быть

.replaceAll("""Sent from.*""", "") 

Answer 1

Вместо того, чтобы делать несколько replaceAll(pattern, blank) У меня возникло бы желание начать добычу.

val msgRE = "(.*>)?(.*)Sent from.*".r 

val result = udfStr match { 
    case msgRE(_, msg) => Some(msg.trim) // .replaceAll() can be added here 
    case _ => None 
} 

Здесь результат является Option[String], но это действительно зависит от того, как вы хотите обрабатывать входные данные без согласования.

Если после извлечения требуется дополнительная очистка, то можно добавить replaceAll(), где указано (или образец экстракции лучше уточнить).