Apache spark 将CSV读入带有时间戳和日期类型的Spark数据框

它是CDH，火花1.6

我正在尝试将这个假设的CSV导入apache Spark数据帧：

$ hadoop fs -cat test.csv
a,b,c,2016-09-09,a,2016-11-11 09:09:09.0,a
a,b,c,2016-09-10,a,2016-11-11 09:09:10.0,a

我使用databricks csvjar

val textData = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "false")
    .option("delimiter", ",")
    .option("dateFormat", "yyyy-MM-dd HH:mm:ss")
    .option("inferSchema", "true")
    .option("nullValue", "null")
    .load("test.csv")

我使用inferSchema为生成的数据帧创建模式。函数为上述代码提供以下输出：

scala> textData.printSchema()
root
 |-- C0: string (nullable = true)
 |-- C1: string (nullable = true)
 |-- C2: string (nullable = true)
 |-- C3: string (nullable = true)
 |-- C4: string (nullable = true)
 |-- C5: timestamp (nullable = true)
 |-- C6: string (nullable = true)

scala> textData.show()
+---+---+---+----------+---+--------------------+---+
| C0| C1| C2|        C3| C4|                  C5| C6|
+---+---+---+----------+---+--------------------+---+
|  a|  b|  c|2016-09-09|  a|2016-11-11 09:09:...|  a|
|  a|  b|  c|2016-09-10|  a|2016-11-11 09:09:...|  a|
+---+---+---+----------+---+--------------------+---+

C3列具有字符串类型。我希望C3有日期类型。为了使它成为最新类型，我尝试了以下代码

val textData = sqlContext.read.format("com.databricks.spark.csv")
    .option("header", "false")
    .option("delimiter", ",")
    .option("dateFormat", "yyyy-MM-dd")
    .option("inferSchema", "true")
    .option("nullValue", "null")
    .load("test.csv")

scala> textData.printSchema
root
 |-- C0: string (nullable = true)
 |-- C1: string (nullable = true)
 |-- C2: string (nullable = true)
 |-- C3: timestamp (nullable = true)
 |-- C4: string (nullable = true)
 |-- C5: timestamp (nullable = true)
 |-- C6: string (nullable = true)

scala> textData.show()
+---+---+---+--------------------+---+--------------------+---+
| C0| C1| C2|                  C3| C4|                  C5| C6|
+---+---+---+--------------------+---+--------------------+---+
|  a|  b|  c|2016-09-09 00:00:...|  a|2016-11-11 00:00:...|  a|
|  a|  b|  c|2016-09-10 00:00:...|  a|2016-11-11 00:00:...|  a|
+---+---+---+--------------------+---+--------------------+---+

此代码与第一个块之间的唯一区别是日期格式选项行（我使用“yyyy-MM-dd”而不是“yyyy-MM-dd HH:MM:ss”）。现在我将C3和C5都作为时间戳（C3仍然不是日期）。但是对于C5，HH:：mm:ss部分被忽略，并在数据中显示为零

理想情况下，我希望C3的类型为date，C5的类型为timestamp，其HH:mm:ss部分不被忽略。我现在的解决方案是这样的。我通过从数据库中并行提取数据来生成csv。我确保将所有日期作为时间戳（不理想）。现在，测试csv如下所示：

$ hadoop fs -cat new-test.csv
a,b,c,2016-09-09 00:00:00,a,2016-11-11 09:09:09.0,a
a,b,c,2016-09-10 00:00:00,a,2016-11-11 09:09:10.0,a

这是我最后的工作代码：

val textData = sqlContext.read.format("com.databricks.spark.csv")
    .option("header", "false")
    .option("delimiter", ",")
    .option("dateFormat", "yyyy-MM-dd HH:mm:ss")
    .schema(finalSchema)
    .option("nullValue", "null")
    .load("new-test.csv")

在这里，我在dateFormat中使用完整的时间戳格式（“yyyy-MM-dd HH:MM:ss”）。我手动创建finalSchema实例，其中c3是日期，C5是时间戳类型（Spark sql类型）。我使用schema（）函数应用这些模式。输出如下所示：

scala> finalSchema
res4: org.apache.spark.sql.types.StructType = StructType(StructField(C0,StringType,true), StructField(C1,StringType,true), StructField(C2,StringType,true), StructField(C3,DateType,true), StructField(C4,StringType,true), StructField(C5,TimestampType,true), StructField(C6,StringType,true))

scala> textData.printSchema()
root
 |-- C0: string (nullable = true)
 |-- C1: string (nullable = true)
 |-- C2: string (nullable = true)
 |-- C3: date (nullable = true)
 |-- C4: string (nullable = true)
 |-- C5: timestamp (nullable = true)
 |-- C6: string (nullable = true)


scala> textData.show()
+---+---+---+----------+---+--------------------+---+
| C0| C1| C2|        C3| C4|                  C5| C6|
+---+---+---+----------+---+--------------------+---+
|  a|  b|  c|2016-09-09|  a|2016-11-11 09:09:...|  a|
|  a|  b|  c|2016-09-10|  a|2016-11-11 09:09:...|  a|
+---+---+---+----------+---+--------------------+---+

是否有一种更简单或现成的方法来解析csv文件（同时包含日期和时间戳类型到spark数据帧？

相关链接：

---

对于非常见情况，如果使用推断选项，则可能不会返回预期结果。如图所示：

---

它只会尝试将每个列与时间戳类型相匹配，而不是日期类型，因此这种情况下的“开箱即用解决方案”是不可能的解决方案是使用直接定义模式，它将避免使用推断选项设置一个仅匹配RDD而不是整个数据的类型。您的最终模式是一个有效的解决方案。

它不是很优雅，但您可以像这样从时间戳转换为日期（检查最后一行）：

val textData=sqlContext.read.format（“com.databricks.spark.csv”）
.选项（“标题”、“假”）
.选项（“分隔符“，”，”）
.选项（“日期格式”、“yyyy-MM-dd”）
.选项（“推断模式”、“真”）
.选项（“空值”、“空值”）
.load（“test.csv”）
.withColumn（“C4”，expr（“截止日期（C4）”））

if (field == null || field.isEmpty || field == nullValue) {
  typeSoFar
} else {
  typeSoFar match {
    case NullType => tryParseInteger(field)
    case IntegerType => tryParseInteger(field)
    case LongType => tryParseLong(field)
    case DoubleType => tryParseDouble(field)
    case TimestampType => tryParseTimestamp(field)
    case BooleanType => tryParseBoolean(field)
    case StringType => StringType
    case other: DataType =>
      throw new UnsupportedOperationException(s"Unexpected data type $other")