При использовании ввода даты мы создали значение, которое, по нашему мнению, было бы очень неправильным: 45 февраля 2017 года или «2017-02-45». Это привело к добавлению переполнения дней в следующем месяце, и мы закончили с мартовской датой. Есть ли способ недорого проверить эти несоответствия в датах? Текущий план - преобразовать строку в дату в текст и сравнить с исходным значением. Следующим шагом является создание Java UDF и использование его для проверки, а также тестового формата.
Предотвращение переполнения при преобразовании даты
10.10.2017
- Что означает
adding the overflow of days into the next month? Приведение 2017-02-45 к дате вернет ноль. 10.10.2017 - Разместите свой код. Обычно используются по крайней мере три платформы даты и времени, каждая из которых ведет себя по-разному в этом отношении. И объясните связь с Apace Hive (с таким тегом). 11.10.2017
- Мы видим, что 2017-02-45 превращается в значение даты ~ 17 марта 2017 года. Это не нулевое значение. В некоторых исследованиях это похоже на DataFormat.setLenient(false). 11.10.2017
- @user1281598 Если вы имеете в виду
java.text.DateFormat, это class является частью проблемных старых классов даты и времени, которые теперь являются устаревшими, вытесненными классами java.time. ИзбегайтеDate,Calendar,DateFormatзанятий. 11.10.2017 setLenient(false)в старом формате DateFormat. 11.10.2017
Ответы:
1
tl;dr
Используйте современные классы java.time.
Catch DateTimeParseException выдается при анализе через LocalDate с использованием ResolverStyle.STRICT или SMART.
Подробности
Зависит от используемых вами классов даты и времени.
Современные классы java.time анализируют, используя любой из трех режимов, известных как стиль разрешения:
По умолчанию STRICT вызывает java.time.format.DateTimeParseException при разборе "2017-02-45".
LocalDate.parse( "2017-02-45" )
java.time.format.DateTimeParseException: текст '2017-02-45' не может быть проанализирован: недопустимое значение для DayOfMonth (допустимые значения 1 - 28/31): 45
То же самое для SMART, выброшено исключение.
Только LENIENT принимает ошибочный ввод и корректирует.
ввод: 2017-02-45
выход: 2017-03-17
См. этот живой пример кода на IdeOne.com, где мы пробуем каждый из трех режимов.
String input = "2017-02-45" ;
System.out.println( "input: " + input ) ;
for( ResolverStyle rs : ResolverStyle.values() )
{
try{
System.out.println( "---------------" ) ;
System.out.println( "Parsing with ResolverStyle: " + rs ) ;
DateTimeFormatter f = DateTimeFormatter.ISO_LOCAL_DATE.withResolverStyle( rs ) ;
LocalDate ld = LocalDate.parse( input , f ) ;
System.out.println( "ld.toString(): " + ld ) ;
} catch ( DateTimeParseException e ) {
System.out.println( "Caught exception for ResolverStyle: " + rs ) ;
}
}
input: 2017-02-45
---------------
Parsing with ResolverStyle: STRICT
Caught exception for ResolverStyle: STRICT
---------------
Parsing with ResolverStyle: SMART
Caught exception for ResolverStyle: SMART
---------------
Parsing with ResolverStyle: LENIENT
ld.toString(): 2017-03-17
10.10.2017
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..