问题
要对parquet文件进行匿名化处理,需要读写parquet文件,我用了pandas库进行处理,但是遇到了timestamp精度的问题。当时以为只是简单的精度截断,不影响最终效果,所以没太在意,结果截断之后不能用spark读取了,因为spark无法读取早于1900年的timestamp,而截断导致9999-m-d变成了1816-m-d。
说来轻松,但是定位bug到这里还是费了亿番功夫。测试发现使用pandas和pyarrow都存在这样的问题。使用了参数allow_truncated_timestamps,这会导致截断。但是使用了use_deprecated_int96_timestamps仍然会导致截断,不清楚具体原因
结论
用spark处理parquets