Scala 将时间戳列与字符串列串联

我需要将数据从Cassandra推送到Elasticsearch。已从

cassandra

加载数据帧，但名为

timestamp

的列采用

Long

格式，因此我需要将其更改为

timestamp

以使其更具“人类可读性”，我使用了：

val cassDF2 = spark.createDataFrame(rawCass).withColumn("timestamp", ($"timestamp").cast(TimestampType))

Dataframe现在看起来像：

+--------------------+--------------------+-------------+--------------------+--------------------+
|             eventID|           timestamp|       userID|           sessionID|            fullJson|
+--------------------+--------------------+-------------+--------------------+--------------------+
|event00001.withSa...| 2018-11-15 09:00...|2512988381908|  WITH_EVENTS_IMPORT|{"header": {"appI...|
|event00002.withSa...| 2018-11-15 09:00...|2512988381908|WITH_EVENTS_SESSI...|{"body": {}, "hea...|
|event00003.withPa...| 2018-11-15 09:00...|2006052984315|  WITH_EVENTS_IMPORT|{"header": {"appI...|
+--------------------+--------------------+-------------+--------------------+--------------------+

现在，我需要将3列（

seesionID、userID和timestamp

）连接成一个新列（

docID

），并将其推送到ES:

  // concatStrings function
  val concatStrings = udf((userID: String, timestamp: String, eventID: String) => {userID + timestamp + eventID})

  // create column docID
  val cassDF = cassDF2.withColumn("docID", concatStrings($"userID", $"timestamp", $"eventID"))

获取错误：

org.apache.spark.sql.AnalysisException：“时间戳”不是数字 专栏。聚合函数只能应用于数值列

我知道

timestamp

是在调用

之后。cast

现在是一个对象，不能像以前那样聚合（当它是

Long

类型时），但是如何将它的值提取为字符串或可以聚合的东西

我所能做的就是在

timestamp

列为

Long

时完成这项工作

---

我的最终数据帧应该看起来像

cassDF2

，但是有一个新的列

docID

，其中包含

251929883819082018-12-09T12:25:25.904+0100event00001。使用…

而不是

15147612000002512988381908event00001。使用
docID
中的…

不需要UDF。您可以使用内置方法

concat

将包含字符串格式的

timestamp

列与特定日期格式的列拼凑在一起，如下所示：

import spark.implicits._
import org.apache.spark.sql.functions._
import java.sql.Timestamp

val df = Seq(
  ("1001", Timestamp.valueOf("2018-11-15 09:00:00"), "Event1"),
  ("1002", Timestamp.valueOf("2018-11-16 10:30:00"), "Event2")
).toDF("userID", "timestamp", "eventID")

val dateFormat = "yyyy-MM-dd'T'HH:mm:ss.SSSZ"

df.
  withColumn("docID", concat($"userID", date_format($"timestamp", dateFormat), $"eventID")).
  show(false)
// +------+-------------------+-------+--------------------------------------+
// |userID|timestamp          |eventID|docID                                 |
// +------+-------------------+-------+--------------------------------------+
// |1001  |2018-11-15 09:00:00|Event1 |10012018-11-15T09:00:00.000-0800Event1|
// |1002  |2018-11-16 10:30:00|Event2 |10022018-11-16T10:30:00.000-0800Event2|
// +------+-------------------+-------+--------------------------------------+

---

不需要自定义项。您可以使用内置方法

concat

将包含字符串格式的

timestamp

列与特定日期格式的列拼凑在一起，如下所示：

import spark.implicits._
import org.apache.spark.sql.functions._
import java.sql.Timestamp

val df = Seq(
  ("1001", Timestamp.valueOf("2018-11-15 09:00:00"), "Event1"),
  ("1002", Timestamp.valueOf("2018-11-16 10:30:00"), "Event2")
).toDF("userID", "timestamp", "eventID")

val dateFormat = "yyyy-MM-dd'T'HH:mm:ss.SSSZ"

df.
  withColumn("docID", concat($"userID", date_format($"timestamp", dateFormat), $"eventID")).
  show(false)
// +------+-------------------+-------+--------------------------------------+
// |userID|timestamp          |eventID|docID                                 |
// +------+-------------------+-------+--------------------------------------+
// |1001  |2018-11-15 09:00:00|Event1 |10012018-11-15T09:00:00.000-0800Event1|
// |1002  |2018-11-16 10:30:00|Event2 |10022018-11-16T10:30:00.000-0800Event2|
// +------+-------------------+-------+--------------------------------------+

---

是否有任何原因表明导入后Cassandra中的文档数量与ES中的文档数量不相等，即使相同数量的文档正在使用我的脚本进行处理？@Dejan Marić，我建议您使用相关标签（例如Cassandra/Elasticsearch）组合一个单独的问题，而不是发表评论以及能够重现上述问题的最小数据集。是否有任何原因表明，导入后Cassandra中的文档数量与ES中的文档数量不相等，即使相同数量的文档也在使用我的脚本进行处理？@Dejan Marić，而不是作为注释发布，我建议您用相关标签（如Cassandra/Elasticsearch）和能够重现上述问题的最小数据集组合一个单独的问题。