csv - Hive 的日期和时间戳数据类型的 Spark csv 数据验证失败

Question

Hive 表架构：

c_date                  date                                        
c_timestamp             timestamp   

这是文本表

蜂巢表数据：

hive> select * from all_datetime_types;
OK
0001-01-01  0001-01-01 00:00:00.000000001
9999-12-31  9999-12-31 23:59:59.999999999

火花作业后获得的csv：

c_date,c_timestamp
0001-01-01 00:00:00.0,0001-01-01 00:00:00.0
9999-12-31 00:00:00.0,9999-12-31 23:59:59.999

问题：

• 00:00:00.0在日期类型中添加
• 时间戳被截断到毫秒精度

有用的代码：

SparkConf conf = new SparkConf(true).setMaster("yarn-cluster").setAppName("SAMPLE_APP");
SparkContext sc = new SparkContext(conf);
HiveContext hc = new HiveContext(sc);
DataFrame df = hc.table("testdb.all_datetime_types");
df.printSchema();
DataFrameWriter writer = df.repartition(1).write();
writer.format("com.databricks.spark.csv").option("header", "true").save(outputHdfsFile);

---

我知道dateFormat选项。但是date和timestampcolumn 在 Hive 中可以有不同的格式。

我可以简单地将所有列转换为字符串吗？

Answer 1

Spark 支持高达纳秒精度的时间戳。您可以尝试如下映射日期和时间戳列，

DataFrame df = hiveContext.sql("select from_unixtime(unix_timestamp(date, 'yyyy-MM-dd'),'yyyy-MM-dd'), from_unixtime(unix_timestamp(timestamp, 'yyyy-MM-dd HH:mm:ss.SSSSSS'),'yyyy-MM-dd HH:mm:ss.SSSSSS') from table")

Answer 2

您可以使用timestampFormatspark 中的选项来指定您的时间戳格式。

spark.read.option("timestampFormat", "MM/dd/yyyy h:mm:ss a").csv("path")