使用 PySpark 将字符串处理为 RDS 中的日期数据类型列

Question

文件中的日期列（在 AWS S3 中）采用“2021 年 7 月 28 日”格式。由于它是一个文件，因此它被视为字符串数据类型。我正在尝试将数据加载到 RDS（Postgres） . RDS 列是日期数据类型。

我正在使用下面的行将字符串转换为日期，但 NULLS 被加载到日期列中，其余字符串/整数列被正确加载。 df_S3=df_S3.withColumn('visit_date', to_date(df_S3.visit_date, 'MON DD, YYYY'))

我在 S3 文件中将日期从“2021 年 7 月 28 日”更改为“28-JUL-2021”，并使用以下代码行将数据处理到 RDS 中 - df_S3=df_S3.withColumn('visit_date', to_date(df_S3.visit_date, 'DD-MMM-YYYY'))

日期已正确加载到 RDS 中。

您能否建议如何使用 PySpark 将“2021 年 7 月 28 日”转换/加载为日期数据类型列？

谢谢。

Answer 1

你可以试试下面的

df_S3=df_S3.withColumn('visit_date', to_date(df_S3.visit_date, 'MMMM d, yyyy'))

基于latest docs 中传达的更改：

我们使用MMMM 匹配完整的月份名称，d 匹配日期编号，yyyy 匹配年份。

完整示例

df_S3 = spark.createDataFrame([("July 28, 2021",),("March 5, 2013",)],schema="visit_date string")
df_S3.show()

+-------------+
|   visit_date|
+-------------+
|July 28, 2021|
|March 5, 2013|
+-------------+

df_S3.withColumn('visit_date2', F.to_date(df_S3.visit_date, 'MMMM d, yyyy')).show()

+-------------+-----------+
|   visit_date|visit_date2|
+-------------+-----------+
|July 28, 2021| 2021-07-28|
|March 5, 2013| 2013-03-05|
+-------------+-----------+