Я пытаюсь получить время unix из поля timestamp в миллисекундах (13 цифр), но в настоящее время оно возвращается в секундах (10 цифр).
scala> var df = Seq("2017-01-18 11:00:00.000", "2017-01-18 11:00:00.123", "2017-01-18 11:00:00.882", "2017-01-18 11:00:02.432").toDF()
df: org.apache.spark.sql.DataFrame = [value: string]
scala> df = df.selectExpr("value timeString", "cast(value as timestamp) time")
df: org.apache.spark.sql.DataFrame = [timeString: string, time: timestamp]
scala> df = df.withColumn("unix_time", unix_timestamp(df("time")))
df: org.apache.spark.sql.DataFrame = [timeString: string, time: timestamp ... 1 more field]
scala> df.take(4)
res63: Array[org.apache.spark.sql.Row] = Array(
[2017-01-18 11:00:00.000,2017-01-18 11:00:00.0,1484758800],
[2017-01-18 11:00:00.123,2017-01-18 11:00:00.123,1484758800],
[2017-01-18 11:00:00.882,2017-01-18 11:00:00.882,1484758800],
[2017-01-18 11:00:02.432,2017-01-18 11:00:02.432,1484758802])
Даже если 2017-01-18 11:00:00.123 и 2017-01-18 11:00:00.000 отличаются, я получаю то же самое время unix 1484758800
Что мне не хватает?
unix_timestamp() вернуть временную метку unix в секундах.
Последние 3 цифры временных меток совпадают с последними 3 цифрами строки миллисекунд (1.999sec = 1999 milliseconds), поэтому просто возьмите последние 3 цифры строки временных меток и добавьте в конец строки миллисекунд.
Реализация подхода, предложенного в ответе Дао Тхи
import pyspark.sql.functions as F
df = spark.createDataFrame([('22-Jul-2018 04:21:18.792 UTC', ),('23-Jul-2018 04:21:25.888 UTC',)], ['TIME'])
df.show(2,False)
df.printSchema()
Выход:
+----------------------------+
|TIME |
+----------------------------+
|22-Jul-2018 04:21:18.792 UTC|
|23-Jul-2018 04:21:25.888 UTC|
+----------------------------+
root
|-- TIME: string (nullable = true)
Преобразование формата времени строки (включая миллисекунды) в unix_timestamp (double). Извлечение миллисекунд из строки с использованием метода подстроки (start_position = -7, length_of_substring = 3) и отдельное добавление миллисекунд к unix_timestamp. (Приведение к подстроке с плавающей точкой для добавления)
df1 = df.withColumn("unix_timestamp",F.unix_timestamp(df.TIME,'dd-MMM-yyyy HH:mm:ss.SSS z') + F.substring(df.TIME,-7,3).cast('float')/1000)
Преобразование unix_timestamp (double) в тип данных timestamp в Spark.
df2 = df1.withColumn("TimestampType",F.to_timestamp(df1["unix_timestamp"]))
df2.show(n=2,truncate=False)
Это даст вам следующий вывод
+----------------------------+----------------+-----------------------+
|TIME |unix_timestamp |TimestampType |
+----------------------------+----------------+-----------------------+
|22-Jul-2018 04:21:18.792 UTC|1.532233278792E9|2018-07-22 04:21:18.792|
|23-Jul-2018 04:21:25.888 UTC|1.532319685888E9|2018-07-23 04:21:25.888|
+----------------------------+----------------+-----------------------+
Проверка схемы:
df2.printSchema()
root
|-- TIME: string (nullable = true)
|-- unix_timestamp: double (nullable = true)
|-- TimestampType: timestamp (nullable = true)
Миллисекунды скрываются в формате временной метки
Попробуй это:
df = df.withColumn("time_in_milliseconds", col("time").cast("double"))
Вы получите что-то вроде 1484758800.792, где 792 это миллисекунды
По крайней мере, у меня это работает (Scala, Spark, Hive)