Question

我在spark中有一个数据框，其中包含一列

df.select("y_wgs84").show
+----------------+
|         y_wgs84|
+----------------+
|47,9882373902965|
|47,9848921211406|
|47,9781530280939|
|47,9731284286555|
|47,9889813907224|
|47,9881440349524|
|47,9744969812356|
|47,9779388492231|
|48,0107946653620|
|48,0161245749621|
|48,0176065577678|
|48,0029496680229|
|48,0061848607139|
|47,9947482295108|
|48,0055828684523|
|48,0148743653486|
|48,0163361315735|
|48,0071490870937|
|48,0178054077099|
|47,8670099558802|
+----------------+

由spark.read.csv()读取这些内容时，其架构的类型为String。现在我想将它转换为double，如下所示：

val format = NumberFormat.getInstance(Locale.GERMANY)
def toDouble: UserDefinedFunction = udf[Double, String](format.parse(_).doubleValue)
df2.withColumn("y_wgs84", toDouble('y_wgs84)).collect

但它失败了java.lang.NumberFormatException: For input string: ".E0"奇怪的是，当grepping文件时，没有包含E的单个记录。

此外，df.select("y_wgs84").as[String].collect.map(format.parse(_).doubleValue) 这将工作得很好。在spark中将函数作为UDF调用时有什么问题？

Answer 1

实际上，线程安全是个问题。所以将解析功能改为

def toDouble: UserDefinedFunction = udf[Double, String](_.replace(',', '.').toDouble)

工作正常。

Answer 2

字符'E'用于指数和科学记数法;你不能用grep找到它。例如1000万代表1.0E7 快速谷歌搜索表明它可能是某种类型的java bug https://community.oracle.com/thread/2349624?db=5 你能尝试不同的环境

吗？

spark dataframe parse csv with non US format strange error

2 个答案: