Question

我正在尝试将hiveQL查询转换为pyspark。我正在过滤日期并得到不同的结果，我想知道如何在pySpark中获得与Hive相匹配的行为。配置单元查询是：

SELECT COUNT(zip_cd) FROM table WHERE dt >= '2012-01-01';

在pySpark中，我正在进入解释器：

import pyspark.sql.functions as psf
import datetime as dt

hc = HiveContext(sc)
table_df = hc.table('table')
DateFrom = dt.datetime.strptime('2012-01-01', '%Y-%m-%d')
table_df.filter(psf.trim(table.dt) >= DateFrom).count()

我变得相似，但不一样，导致两个计数。有谁知道这里发生了什么？

Answer 1

您的代码首先从日期datetime创建2012-01-01个对象。然后在过滤期间，对象被替换为它的字符串表示（2012-01-01 00:00:00），并使用词典方式比较日期，过滤掉2012-01-01：

>>> '2012-01-01' >= '2012-01-01 00:00:00'
False
>>> '2012-01-02' >= '2012-01-01 00:00:00'
True

要获得与SQL相同的结果，只需使用strptime删除代码并使用字符串比较日期。

hive pyspark日期比较

1 个答案: