如何在 pyspark 中将自定义格式的日期读取为时间戳

Question

我想使用 spark.read(( 从.csv文件中提取数据，同时强制执行架构。但是，我无法让 Spark 将我的日期识别为时间戳。

首先，我创建一个虚拟文件进行测试

%scala
Seq("1|1/15/2019 2:24:00 AM","2|test","3|").toDF().write.text("/tmp/input/csvDateReadTest")

然后我尝试读取它，并提供一个 dateFormat 字符串，但它无法识别我的日期，并将记录发送到 badRecordsPath

df = spark.read.format('csv')
               .schema("id int, dt timestamp")
               .option("delimiter","|")
               .option("badRecordsPath","/tmp/badRecordsPath")
               .option("dateFormat","M/dd/yyyy hh:mm:ss aaa")
               .load("/tmp/input/csvDateReadTest")

结果，当我期望看到 1 条记录时，我在 df (ID 3( 中只得到 2 条记录。(ID 1 和 3(

df.show()
+---+----+
| id|  dt|
+---+----+
|  3|null|
+---+----+

Answer 1

您必须将dateFormat更改为timestampFormat，因为在这种情况下，您需要时间戳类型而不是日期。此外，时间戳格式的值应mm/dd/yyyy h:mm:ss a。

示例数据：

Seq(
"1|1/15/2019 2:24:00 AM",
"2|test",
"3|5/30/1981 3:11:00 PM"
).toDF().write.text("/tmp/input/csvDateReadTest")

随着时间戳的更改：

val df = spark.read.format("csv")
               .schema("id int, dt timestamp")
               .option("delimiter","|")
               .option("badRecordsPath","/tmp/badRecordsPath")
               .option("timestampFormat","mm/dd/yyyy h:mm:ss a")
               .load("/tmp/input/csvDateReadTest")

和输出：

+----+-------------------+
|  id|                 dt|
+----+-------------------+
|   1|2019-01-15 02:24:00|
|   3|1981-01-30 15:11:00|
|null|               null|
+----+-------------------+

请注意，ID 为 2 的记录不符合架构定义，因此它将包含 null 。如果您还想保留无效记录，则需要将时间戳列更改为字符串，在这种情况下，输出将是：

+---+--------------------+
| id|                  dt|
+---+--------------------+
|  1|1/15/2019 2:24:00 AM|
|  3|5/30/1981 3:11:00 PM|
|  2|                test|
+---+--------------------+

更新：

为了将字符串 dt 更改为时间戳类型，您可以尝试使用 df.withColumn("dt", $"dt".cast("timestamp"))尽管这会失败并将所有值替换为 null。

您可以使用下一个代码实现此目的：

import org.apache.spark.sql.Row
import java.text.SimpleDateFormat
import java.util.{Date, Locale} 
import java.sql.Timestamp
import scala.util.{Try, Success, Failure}
val formatter = new SimpleDateFormat("mm/dd/yyyy h:mm:ss a", Locale.US)
df.map{ case Row(id:Int, dt:String) =>
    val tryParse = Try[Date](formatter.parse(dt))
    val p_timestamp = tryParse match {
        case Success(parsed) => new Timestamp(parsed.getTime())
        case Failure(_) => null
    }
    (id, p_timestamp)
}.toDF("id", "dt").show

输出：

+---+-------------------+
| id|                 dt|
+---+-------------------+
|  1|2019-01-15 02:24:00|
|  3|1981-01-30 15:11:00|
|  2|               null|
+---+-------------------+

Answer 2

嗨，这是示例代码

df.withColumn("times", 
              from_unixtime(unix_timestamp(col("df"), "M/dd/yyyy hh:mm:ss a"),
              "yyyy-MM-dd HH:mm:ss.SSSSSS"))
  .show(false)