java - 如何在Spark +2.4中读取CSV时设置时间戳格式

Question

我在 Azure 上有一个 Databricks 5.3 集群，它运行 Apache Spark 2.4.0 和 Scala 2.11。

我正在尝试使用自定义时间戳格式解析 CSV 文件，但我不知道 Spark 使用哪种日期时间模式格式。

我的 CSV 如下所示:

Timestamp, Name, Value
02/07/2019 14:51:32.869-08:00, BatteryA, 0.25
02/07/2019 14:55:45.343-08:00, BatteryB, 0.50
02/07/2019 14:58:25.845-08:00, BatteryC, 0.34

我正在执行以下命令来阅读它:

%scala

val csvDataFrame = sqlContext.read.format("csv")
  .option("header", "true")
  .option("treatEmptyValuesAsNulls", "true")
  .option("inferSchema", "true")
  .option("mode","DROPMALFORMED")
  .option("timestampFormat", "MM/dd/yyyy HH:mm:ss.SSSZZ")
  .load("path/to/file.csv")

csvDataFrame.printSchema()

但无论我使用什么时间戳模式，第一列始终被推断为字符串。

csvDataFrame:org.apache.spark.sql.DataFrame
  Timestamp:string
  Name:string
  Value:double

我不是 Java/Scala 开发人员，而且是 Spark/Databricks 的新手。我在任何地方都找不到 Spark 使用哪个日期时间格式化程序来解析值。

我尝试过的模式:

MM/dd/yyyy HH:mm:ss.SSSZZ
MM/dd/yyyy HH:mm:ss.SSSXXX

Answer 1

事实证明，Databricks 文档在读取/写入 CSV 文件时提到了 dateFormat 选项，但它没有执行任何操作。正确的选项与 Spark 使用的选项相同，称为 timestampFormat。

我的问题是由文件中的格式错误的行引起的。即使使用 DROPMALFORMED，该行也会导致时间戳被解释为字符串。