json - 在读取 json 时解释 Spark 中的时间戳字段

Question

我正在尝试读取一个打印精美的 json，其中包含时间字段。我想在读取 json 本身时将时间戳列解释为时间戳字段。但是，当我 printSchema

时，它仍然将它们读取为字符串

例如输入 json 文件 -

[{
    "time_field" : "2017-09-30 04:53:39.412496Z"
}]

代码-

df = spark.read.option("multiLine", "true").option("timestampFormat","yyyy-MM-dd HH:mm:ss.SSSSSS'Z'").json('path_to_json_file')

df.printSchema() 的输出 -

root
 |-- time_field: string (nullable = true)

我在这里错过了什么？

Answer 1

我自己对 timestampFormat 选项的体验是，它并不像宣传的那样有效。我会简单地将时间字段读取为字符串并使用 to_timestamp 进行转换，如下所示(具有稍微通用的示例输入):

# /path/to/jsonfile
[{
    "id": 101, "time_field": "2017-09-30 04:53:39.412496Z"
},
{
    "id": 102, "time_field": "2017-10-01 01:23:45.123456Z"
}]

在 Python 中:

from pyspark.sql.functions import to_timestamp

df = spark.read.option("multiLine", "true").json("/path/to/jsonfile")

df = df.withColumn("timestamp", to_timestamp("time_field"))

df.show(2, False)
+---+---------------------------+-------------------+
|id |time_field                 |timestamp          |
+---+---------------------------+-------------------+
|101|2017-09-30 04:53:39.412496Z|2017-09-30 04:53:39|
|102|2017-10-01 01:23:45.123456Z|2017-10-01 01:23:45|
+---+---------------------------+-------------------+

df.printSchema()
root
 |-- id: long (nullable = true)
 |-- time_field: string (nullable = true)
 |-- timestamp: timestamp (nullable = true)

在 Scala 中:

val df = spark.read.option("multiLine", "true").json("/path/to/jsonfile")

df.withColumn("timestamp", to_timestamp($"time_field"))