Question

我使用Spark来获取包含日期列的数据框，并创建3个新列，其中包含列中日期与今天之间的天，周和月的时间。

我关心的是使用SimpleDateFormat，它不是线程安全的。通常没有Spark这样就可以了，因为它是一个局部变量，但是使用Spark的懒惰评估，在多个UDF上共享一个SimpleDateFormat实例可能会导致问题吗？

def calcTimeDifference(...){
    val sdf = new SimpleDateFormat(dateFormat)

    val dayDifference = udf{(x: String) => math.abs(Days.daysBetween(new DateTime(sdf.parse(x)), presentDate).getDays)}
    output = output.withColumn("days", dayDifference(myCol))

    val weekDifference = udf{(x: String) => math.abs(Weeks.weeksBetween(new DateTime(sdf.parse(x)), presentDate).getWeeks)}
    output = output.withColumn("weeks", weekDifference(myCol))

    val monthDifference = udf{(x: String) => math.abs(Months.monthsBetween(new DateTime(sdf.parse(x)), presentDate).getMonths)}
    output = output.withColumn("months", monthDifference(myCol))
}

Answer 1

众所周知， SimpleDateFormat 不是线程安全的。

因此，如果您需要，我更喜欢这种方法在Spark中使用 SimpleDateFormat ：

import java.text.SimpleDateFormat
import java.util.SimpleTimeZone

/**
  * Thread Safe SimpleDateFormat for Spark.
  */
object ThreadSafeFormat extends ThreadLocal[SimpleDateFormat] {

  override def initialValue(): SimpleDateFormat = {
    val dateFormat = new SimpleDateFormat("yyyy-MM-dd:H")
    // if you need get UTC time, you can set UTC timezone
    val utcTimeZone = new SimpleTimeZone(SimpleTimeZone.UTC_TIME, "UTC")
    dateFormat.setTimeZone(utcTimeZone)
    dateFormat
  }

}

然后使用ThreadSafeFormat.get()来获取线程安全的SimpleDateFormat以执行任何操作。

Spark UDF线程安全

1 个答案: