将 RDD 转换为 dataframe 字符串到日期转换失败

Question

我正在从 xml 中提取一些数据。 我的整体工作流程可能效率低下，是：

1. 将 xml 读入 dataframe ('df_individual')
2. 过滤不需要的列
3. 制作目标架构（在下面共享）
4. 将 dataframe 转换为 RDD
5. 使用步骤 3 和 4 中的模式和 RDD 创建 dataframe

我创建了如下RDD：

rddd = df_individual.rdd.map(tuple)

'df_individual' 是原始 dataframe，其中读取 xml。

下面是架构：

schema = types.StructType([
        types.StructField('applicaion_id', types.StringType()),
        types.StructField('cd_type', types.StringType()),
        types.StructField('cd_title', types.StringType()),
        types.StructField('firstname', types.StringType()),
        types.StructField('middlename', types.StringType()),
        types.StructField('nm_surname', types.StringType()),
        types.StructField('dt_dob', types.DateType()),
        types.StructField('cd_gender', types.StringType()),
        types.StructField('cd_citizenship', types.StringType())
    ])

它失败了

df_result = spark.createDataFrame(rddd, schema)

错误是

TypeError: field dt_dob: DateType can not accept object '1973-02-19' in type <class 'str'>

创建“df_result”dataframe 的主要目的是具有预定义的模式并隐式转换 RDD 和 dataframe 之间存在差异的所有列。 这是我第一次使用 RDD，我找不到针对这种情况的直接转换机制。

如果您可以帮助解决铸造错误或分享更好的工作流程，那就太好了。

谢谢

Answer 1

如果您的目标只是将数据放入正确的模式并将一些字符串列转换为日期列，我将使用select与to_date结合使用。

df.select('applicaion_id', 'cd_type', 'cd_title', 'firstname', 'middlename', 'nm_surname', \
          F.to_date('dt_dob').alias('dt_bob'), \
          'cd_gender', 'cd_citizenship') \
  .printSchema()

印刷

root
 |-- applicaion_id: string (nullable = true)
 |-- cd_type: string (nullable = true)
 |-- cd_title: string (nullable = true)
 |-- firstname: string (nullable = true)
 |-- middlename: string (nullable = true)
 |-- nm_surname: string (nullable = true)
 |-- dt_bob: date (nullable = true)
 |-- cd_gender: string (nullable = true)
 |-- cd_citizenship: string (nullable = true)

列dt_bob具有日期数据类型。