Scala 火花UDF螺纹安全

我使用Spark获取包含一列日期的数据框，并创建3个新列，其中包含从列中的日期到今天之间的时间（以天、周和月为单位）

我关心的是SimpleDataFormat的使用，它不是线程安全的。通常如果没有Spark，这会很好，因为它是一个局部变量，但是使用Spark的惰性计算，在多个UDF上共享一个SimpleDataFormat实例是否可能导致问题

def calcTimeDifference(...){
    val sdf = new SimpleDateFormat(dateFormat)

    val dayDifference = udf{(x: String) => math.abs(Days.daysBetween(new DateTime(sdf.parse(x)), presentDate).getDays)}
    output = output.withColumn("days", dayDifference(myCol))

    val weekDifference = udf{(x: String) => math.abs(Weeks.weeksBetween(new DateTime(sdf.parse(x)), presentDate).getWeeks)}
    output = output.withColumn("weeks", weekDifference(myCol))

    val monthDifference = udf{(x: String) => math.abs(Months.monthsBetween(new DateTime(sdf.parse(x)), presentDate).getMonths)}
    output = output.withColumn("months", monthDifference(myCol))
}

---

我认为它是不安全的，正如我们所知，SimpleDateFormat不是线程安全的

因此，如果您需要，我更喜欢在Spark中使用SimpleDataFormat这种方法：

import java.text.SimpleDateFormat
import java.util.SimpleTimeZone

/**
  * Thread Safe SimpleDateFormat for Spark.
  */
object ThreadSafeFormat extends ThreadLocal[SimpleDateFormat] {

  override def initialValue(): SimpleDateFormat = {
    val dateFormat = new SimpleDateFormat("yyyy-MM-dd:H")
    // if you need get UTC time, you can set UTC timezone
    val utcTimeZone = new SimpleTimeZone(SimpleTimeZone.UTC_TIME, "UTC")
    dateFormat.setTimeZone(utcTimeZone)
    dateFormat
  }

}

---

然后使用

ThreadSafeFormat.get（）

获取线程安全的SimpleDataFormat来执行任何操作。

我认为您是安全的，因为

sdf

将对每个任务进行序列化和反序列化，这意味着您在每个任务中都有单独的实例。我只是不确定每个任务实际上是有一个实例，还是每个执行者都有一个实例——在后一种情况下，您会遇到一个问题，因为每个执行者可能并行运行多个任务。