严格按照格式验证日期 - 年份超过 4 个字符 - pySpark

Question

我正在尝试根据配置的日期格式（使用 to_timestamp /to_date）验证文件中收到的日期。

schema = StructType([ \
    StructField("date",StringType(),True), \
    StructField("active", StringType(), True)
    ])

input_data = [
    ("27/10/00",'Y'),
    ("27/10/01",'Y'),
    ("27/10/1",'Y'),
    ("27/10/16",'Y'),
    ("27/10",'Y'),
    ("27/10/99",'Y'),
    ("27/10/100",'Y'),
    ("27/10/992",'Y'),
    ("27/10/2000",'Y'),
    ("27/10/9999",'Y'),
    ("27/10/20015",'Y'), ]
date_format = "dd/MM/yyyy"

temp_df = spark.createDataFrame(data=input_data,schema=schema)

df = temp_df.select('*', 
                f.when(f.date_format(f.to_timestamp(f.col('date'), date_format), date_format).isNotNull(), True).otherwise(False).alias('Date_validation'),
                f.date_format(f.to_timestamp(f.col('date'), date_format), date_format).alias('converted_date'),
                )
df.show(truncate=False)

我的期望是代码应该返回 False，因为 YYYY 是一个四字符日期，但代码返回 True 并将转换后的年份打印为有效年份。

无论如何我可以对日期进行严格的验证吗？

注意：格式由用户配置，这将是动态的。

尝试 to_timestamp 和 to_date 都具有相同的 output

Answer 1

这是自 2.4 以来的错误，并已从 3.0 向前修复。 更多信息在这里。 简而言之，有一个名为spark.sql.legacy.timeParserPolicy的配置，有 3 个可能的值：

• LEGACY ：在你看到错误的地方像 2.4 一样执行
• EXCEPTION ：当格式无效时引发异常
• CORRECTED ：修复并返回您的预期结果

这是CORRECTED的结果：

+-----------+------+---------------+--------------+
|date       |active|Date_validation|converted_date|
+-----------+------+---------------+--------------+
|27/10/00   |Y     |false          |null          |
|27/10/01   |Y     |false          |null          |
|27/10/1    |Y     |false          |null          |
|27/10/16   |Y     |false          |null          |
|27/10      |Y     |false          |null          |
|27/10/99   |Y     |false          |null          |
|27/10/100  |Y     |false          |null          |
|27/10/992  |Y     |false          |null          |
|27/10/2000 |Y     |true           |27/10/2000    |
|27/10/9999 |Y     |true           |27/10/9999    |
|27/10/20015|Y     |false          |null          |
+-----------+------+---------------+--------------+