本文已参与「新人创作礼」活动，一起开启掘金创作之路。

背景

在公司做一个大数据项目时，发现某日之后的业务数据都没有存入ES，后来发现root cause是日期格式不符合。

读取的时候，已经是timestamp类型了（见如下dataFrame.printSchema）

现在关键是DataFrame和CSV的格式转换问题，看来要显式转换比较靠谱

    val userBiddingResultSchema = FbUserBiddingResultPojo.structType
    val userBiddingResultDf = sparkSession.read.schema(userBiddingResultSchema).csv(mdlResultPath)

进一步分析发现是数据格式问题，US的几十万数据中，有条是url里面带了逗号，这样就错位了，我们现在在spark中指定的是inferSchema为true，也就是依赖spark自动解析列的数据并判断类型，当US的数据中存在问题，这一列就没有这样整齐划一了，spark将其判断为string，见如下截图，一目了然：

在这里插入图片描述

经验

spark中读取csv，不能设置inferSchema为true，依赖spark自身解析，还是要显式指定schema
ES的index，put double（我已经弄了），date字段本身就可以自动解析；其实只要putInteger就可以，企业级应用还是建议都事先新建ES的index
TimeStamp匹配问题还是要尽快解决，现在就pla和text和display的依赖于clickId加上timestamp的匹配，但是两者有时区的差异，我当时的解决是去掉了小时，会造成零点前后的数据匹配不上，周末形成解决方案，具体如下：

TimeStamp匹配问题解决

参考 ISO 8601 标准 blog.csdn.net/dai45195470…

convert String to date; and convert date to String www.cnblogs.com/mlfh1234/p/…

我的代码:

import java.sql.{Date, Timestamp}
import java.util.Locale
import java.text.SimpleDateFormat

object Demo {
  def main(args:Array[String]): Unit = {
    val str: String = ""
    println("begin...")
    val loc = new Locale("en")
    val fm = new SimpleDateFormat("yyyy-MM-dd'T'HH:mm:ss.SSSXXX",loc)
    val tm = "2019-10-14T11:35:41.005-07:00"
    val dt2 = fm.parse(tm)
    println(dt2.getTime())

    //reverse
    val ts = new Timestamp(System.currentTimeMillis())
    println(ts)
    println(fm.format(ts))
  }
}

对比测试的结果却是：日期转化和字符串直接处理，结果上没有区别，都是966条，实际源文件是962条，也就是有2条记录重复了

通过写java程序解析

1572995047000Cj0KCQiAtf_tBRDtARIsAIbAKe187WBetzRXJ-It8hL053IZKhOiIs2eWazHPBlxLNeUkDsLCjwoZ4waAlHREALw_wcB | count : 4
1573091679000Cj0KCQjwr-_tBRCMARIsAN413WTp0pgFVL16yWU9VowmLmPL9gvuLox0DSBHS0yeCNcNQSJkbnsim84aAlIjEALw_wcB | count : 4

在原始文件中找到了重复的记录（主键完全一样，但是后面几个金额不一样，有0的）：

121行：
Google,136,PLA,2,Cj0KCQiAtf_tBRDtARIsAIbAKe187WBetzRXJ-It8hL053IZKhOiIs2eWazHPBlxLNeUkDsLCjwoZ4waAlHREALw_wcB,2156222200820561,1140946,1824172998,1,2019-11-05,2019-11-05T16:04:07.000-07:00,1,101,47.99,48.85382,48.85382,,1,154.3780712
606行：
Google,136,PLA,2,Cj0KCQiAtf_tBRDtARIsAIbAKe187WBetzRXJ-It8hL053IZKhOiIs2eWazHPBlxLNeUkDsLCjwoZ4waAlHREALw_wcB,2156222200820561,1140946,1824172998,0,2019-11-05,2019-11-05T16:04:07.000-07:00,1,101,47.99,0.0,0.0,0.0,1,0.0

Spark DataFrame日期格式问题

背景

经验

TimeStamp匹配问题解决