python - 在 PySpark 中为镶木地板文件过滤日期时间范围和时区

Question

根据这里的建议，我想知道如何使用 PySpark 过滤带有时区的日期时间范围。

这是我的数据的样子：

美国广播公司，2020-06-22T19:17:16.428+0000

DEF，2020-06-22T19:17:16.435+0000

JKL，2020-06-22T19:17:16.468+0000

移动网络运营商，2020-06-22T19:17:16.480+0000

XYZ，2020-06-22T19:17:16.495+0000

在这种情况下，我只想提取那些毫秒数在 400-450 之间的记录。

试过这个但没有用：

import pyspark.sql.functions as func
df = df.select(func.to_date(df.UpdatedOn).alias("time"))
sf = df.filter(df.time > '2020-06-22T19:17:16.400').filter(df.time < '2020-06-22T19:17:16.451')

标签： pythonpysparkapache-spark-sqldatabricksazure-databricks

Answer 1

当你使用to_date它会截断小时，所以你必须使用to_timestamp和比较它。

df.withColumn('date', to_timestamp('date')) \
  .filter("date between to_timestamp('2020-06-22T19:17:16.400') and to_timestamp('2020-06-22T19:17:16.451')") \
  .show(10, False)

+---+-----------------------+
|id |date                   |
+---+-----------------------+
|ABC|2020-06-22 19:17:16.428|
|DEF|2020-06-22 19:17:16.435|
+---+-----------------------+