我每天使用
sqlContext.read.parquet
中的 PySpark
功能来读取 parquet
文件。数据有一个 timestamp
列。他们将时间戳字段从 2019-08-26T00:00:13.600+0000
更改为 2019-08-26T00:00:13.600Z
。它在 Databricks 中读取良好,但当我尝试通过 Spark 集群读取它时,它给出了 Illegal Parquet type: INT64 (TIMESTAMP_MICROS)
错误。如何使用 read.parquet
函数本身阅读这个新专栏?
目前我使用:
from_unixtime(unix_timestamp(ts,"yyyy-MM-dd HH:mm:ss.SSS"),"yyyy-MM-dd")
作为 ts 将 2019-08-26T00:00:13.600+0000
转换为 2019-08-26
格式。
如何将
2019-08-26T00:00:13.600Z
转换为 2019-08-26
?
这是scala版本
import spark.implicits._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types._
val df2 = Seq(("a3fac", "2019-08-26T00:00:13.600Z")).toDF("id", "eventTime")
val df3= df2.withColumn("eventTime1", to_date(unix_timestamp($"eventTime", "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'").cast(TimestampType)))
df3.show(false)
+-----+------------------------+----------+
|id |eventTime |eventTime1|
+-----+------------------------+----------+
|a3fac|2019-08-26T00:00:13.600Z|2019-08-26|
+-----+------------------------+----------+
以下行将时区日期转换为日期
to_date(unix_timestamp($"eventTime", "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'").cast(TimestampType))
pyspark版本:
>>> from pyspark.sql.functions import col, to_date,unix_timestamp
>>> df2=spark.createDataFrame([("a3fac", "2019-08-26T00:00:13.600Z")], ['id', 'eventTime'])
>>> df3=df2.withColumn("eventTime1", to_date(unix_timestamp(col("eventTime"), "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'").cast('timestamp')))
>>> df3.show()
+-----+--------------------+----------+
| id| eventTime|eventTime1|
+-----+--------------------+----------+
|a3fac|2019-08-26T00:00:...|2019-08-26|
+-----+--------------------+----------+
您可以使用功能模块中的 to_date api
import pyspark.sql.functions as f
dfl2 = spark.createDataFrame([(1, "2019-08-26T00:00:13.600Z"),]).toDF('col1', 'ts')
dfl2.show(1, False)
+----+------------------------+
|col1|ts |
+----+------------------------+
|1 |2019-08-26T00:00:13.600Z|
+----+------------------------+
dfl2.withColumn('date',f.to_date('ts', "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'")).show(1, False)
+----+------------------------+----------+
|col1|ts |date |
+----+------------------------+----------+
|1 |2019-08-26T00:00:13.600Z|2019-08-26|
+----+------------------------+----------+
dfl2.withColumn('date',f.to_date('ts', "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'")).printSchema()
root
|-- col1: long (nullable = true)
|-- ts: string (nullable = true)
|-- date: date (nullable = true)
这可能是由于您的数据被一个系统写入镶木地板,而您正在尝试从另一个系统读取镶木地板。这两个系统使用不同版本的 Parquet。
我也有类似的问题。就我而言,我在 Python 中准备了带有时间戳列的数据,并使用
pandas.to_parquet
保存它。后来我尝试在 EMR 上读取 Pyspark 中的 parquet。我的错误是:
org.apache.spark.sql.AnalysisException: Illegal Parquet type: INT64 (TIMESTAMP(NANOS,false))
经过一番查找,发现是Pandas和Pyspark能够处理的时间戳分辨率不同造成的。我的数据集有几个时间戳列。在 Pandas 中,时间戳以纳秒分辨率表示。但是,Pyspark 使用的某些 Parquet 读取器可能仅支持以毫秒(“ms”)或微秒(“us”)分辨率存储的时间戳。请参阅 https://arrow.apache.org/docs/python/parquet.html#storing-timestamps 了解更多讨论。
因此,当我使用时间戳列保存 Pandas 数据帧时,我显式地将时间戳列强制为微秒分辨率。