Regex 如何在spark数据框中发现列格式的异常?
正如问题所说,我希望在大型数据集中的列中找到值格式的异常。Regex 如何在spark数据框中发现列格式的异常?,regex,scala,apache-spark,apache-spark-sql,Regex,Scala,Apache Spark,Apache Spark Sql,正如问题所说,我希望在大型数据集中的列中找到值格式的异常。 例如:如果我在一个数据集中有一个日期列,比如说5亿行,我想确保该列中所有行的日期格式都是MM-DD-YYYY。我想找到计数和值,在这种格式中有异常。 我该怎么做?我能用正则表达式吗?有人能举个例子吗?要使用Spark Dataframe执行此操作。使用正则表达式进行正确的日期格式验证可能会比较棘手(请参阅:),但您可以使用以下方法: import scala.util.{Try, Failure} import org.apache
例如:如果我在一个数据集中有一个日期列,比如说5亿行,我想确保该列中所有行的日期格式都是MM-DD-YYYY。我想找到计数和值,在这种格式中有异常。
我该怎么做?我能用正则表达式吗?有人能举个例子吗?要使用Spark Dataframe执行此操作。使用正则表达式进行正确的日期格式验证可能会比较棘手(请参阅:),但您可以使用以下方法:
import scala.util.{Try, Failure}
import org.apache.spark.sql.functions.udf
object FormatChecker extends java.io.Serializable {
val fmt = org.joda.time.format.DateTimeFormat forPattern "MM-dd-yyyy"
def invalidFormat(s: String) = Try(fmt parseDateTime s) match {
case Failure(_) => true
case _ => false
}
}
val df = sc.parallelize(Seq(
"01-02-2015", "99-03-2010", "---", "2015-01-01", "03-30-2001")
).toDF("date")
invalidFormat = udf((s: String) => FormatChecker.invalidFormat(s))
df.where(invalidFormat($"date")).count()