如何发现 Spark 数据框中列格式的异常？

正如问题所说，我想找到大型数据集中列中值格式的异常。

例如：如果我在包含 5 亿行的数据集中有一个日期列，我想确保该列中所有行的日期格式为 MM-DD-YYYY。我想找到此格式中存在异常的计数和值。

我该怎么做呢？我可以使用正则表达式吗？有人可以举个例子吗？想要使用 Spark Dataframe 来做到这一点。

使用正则表达式进行正确的日期格式验证可能很棘手（请参阅：正则表达式验证日期格式 dd/mm/yyyy https://stackoverflow.com/q/15491894/1560062），但你可以使用乔达时间 http://www.joda.org/joda-time/如下：

import scala.util.{Try, Failure}
import org.apache.spark.sql.functions.udf

object FormatChecker extends java.io.Serializable {
  val fmt = org.joda.time.format.DateTimeFormat forPattern "MM-dd-yyyy"
  def invalidFormat(s: String) = Try(fmt parseDateTime s) match {
    case Failure(_) => true
    case _ => false
  }
}

val df = sc.parallelize(Seq(
    "01-02-2015", "99-03-2010", "---", "2015-01-01", "03-30-2001")
).toDF("date")

invalidFormat = udf((s: String) => FormatChecker.invalidFormat(s))
df.where(invalidFormat($"date")).count()