问题描述
根据here的建议,我想知道如何使用PySpark过滤带时区的日期时间范围。
这是我的数据的样子:
美国广播公司(ABC),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,我只想提取毫秒数在400-450之间的记录。
试过这个但没用:
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')
解决方法
使用to_date
会截断小时数,因此必须使用to_timestamp
进行比较。
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|
+---+-----------------------+