Spark UDF 类型不匹配错误

Question

我正在尝试编写一个 UDF 以将时间戳转换为表示一周中小时的整数。我可以像这样使用 SparkSql 轻松完成此操作。

我的代码中有很多 UDF 都使用这种确切的语法，但这个正在尝试类型不匹配错误。我还尝试使用 col("session_ts_start") 调用我的 UDF，但这也失败了。

import spark.implicits._
import java.sql.Timestamp
import org.apache.spark.sql.functions._

def getHourOfWeek() = udf(
    (ts: Timestamp) => unix_timestamp(ts)
)

val dDF = df.withColumn("hour", getHourOfWeek()(df("session_ts_start")))
dDF.show()

<console>:154: error: type mismatch;
 found   : java.sql.Timestamp
 required: org.apache.spark.sql.Column
           (ts: Timestamp) => unix_timestamp(ts)

Answer 1

unix_timestamp 是一个 SQL 函数。它 operates on Columns 不是外部值：

def unix_timestamp(s: Column): Column

并且不能在UDF中使用。

I'm trying (...) to convert a timestamp into an integer representing the hour of the week

import org.apache.spark.sql.Column
import org.apache.spark.sql.functions.{date_format, hour}

def getHourOfWeek(c: Column) =
  // https://docs.oracle.com/javase/8/docs/api/java/text/SimpleDateFormat.html
  (date_format(c, "u").cast("integer") - 1) * 24 + hour(c)

val df = Seq("2017-03-07 01:00:00").toDF("ts").select($"ts".cast("timestamp"))

df.select(getHourOfWeek($"ts").alias("hour")).show

+----+
|hour|
+----+
|  25|
+----+

另一种可能的解决方案：

import org.apache.spark.sql.functions.{next_day, date_sub}

def getHourOfWeek2(c: Column) = ((
  c.cast("bigint") - 
  date_sub(next_day(c, "Mon"), 7).cast("timestamp").cast("bigint")
) / 3600).cast("int")

df.select(getHourOfWeek2($"ts").alias("hour"))

+----+
|hour|
+----+
|  25|
+----+

注意：两种解决方案都无法处理夏令时或其他日期/时间的细微差别。

Spark UDF 类型不匹配错误

Spark UDF type mismatch error

scala

user-defined-functions

apache-spark

apache-spark-sql