在Spark中将包含多种字符串日期格式的列转换为DateTime

Question

我的SparkDataDrame中有一个日期列，其中包含多种字符串格式。我想将它们投射到DateTime。

我的专栏中的两种格式是：

• mm/dd/yyyy; 和
• yyyy-mm-dd

到目前为止，我的解决方案是使用UDF更改第一个日期格式以匹配第二个日期，如下所示：

import re

def parseDate(dateString):
    if re.match('\d{1,2}\/\d{1,2}\/\d{4}', dateString) is not None:
        return datetime.strptime(dateString, '%M/%d/%Y').strftime('%Y-%M-%d')
    else:
        return dateString

# Create Spark UDF based on above function
dateUdf = udf(parseDate)

df = (df.select(to_date(dateUdf(raw_transactions_df['trans_dt']))))

这行得通，但并不是所有的容错功能。我特别关注：

• 我尚未遇到的日期格式。
• 在mm/dd/yyyy和之间进行区分dd/mm/yyyy（我正在使用的正则表达式目前暂时无法执行此操作）。

有一个更好的方法吗？

Answer 1

我个人建议直接使用SQL函数，而不必进行昂贵且效率低的重新格式化：

from pyspark.sql.functions import coalesce, to_date

def to_date_(col, formats=("MM/dd/yyyy", "yyyy-MM-dd")):
    # Spark 2.2 or later syntax, for < 2.2 use unix_timestamp and cast
    return coalesce(*[to_date(col, f) for f in formats])

这将选择第一种格式，该格式可以成功html" target="_blank">解析输入字符串。

用法：

df = spark.createDataFrame([(1, "01/22/2010"), (2, "2018-12-01")], ("id", "dt"))
df.withColumn("pdt", to_date_("dt")).show()



+---+----------+----------+
| id|        dt|       pdt|
+---+----------+----------+
|  1|01/22/2010|2010-01-22|
|  2|2018-12-01|2018-12-01|
+---+----------+----------+

速度比快udf，添加新格式仅是调整formats参数的问题。

但是，它不会帮助您解决格式歧义问题。在一般情况下，如果没有人工干预和与外部数据的交叉引用，可能无法做到这一点。

当然可以在Scala中完成同一件事：

import org.apache.spark.sql.Column
import org.apache.spark.sql.functions.{coalesce, to_date}

def to_date_(col: Column, 
             formats: Seq[String] = Seq("MM/dd/yyyy", "yyyy-MM-dd")) = {
  coalesce(formats.map(f => to_date(col, f)): _*)
}