CAST_INVALID_INPUT felklass

SQLSTATE: 22018

Det går inte att omvandla värdet <expression> för typen <sourceType> till <targetType> eftersom det är felaktigt. Korrigera värdet enligt syntaxen eller ändra dess måltyp. Använd try_cast för att tolerera felaktiga indata och returnera NULL i stället. Om det behövs anger du <ansiConfig> "false" för att kringgå det här felet.

Parametrar

• expression: Det uttryck som måste konverteras till targettype
• sourceType: Datatypen expressionför .
• targetType: Måltypen för gjutningsåtgärden.
• ansiConfig: Konfigurationsinställningen för att ändra ANSI-läge.

Förklaring

expression Kan inte kastas till targetType på grund av någon av följande orsaker:

• expression är för stor för typens domän. Talet 1000 kan till exempel inte konverteras till TINYINT eftersom den domänen bara sträcker sig från -128 till +127.
• expression innehåller tecken som inte ingår i typen. Det går till exempel a inte att omvandla till någon numerisk typ.
• expression är formaterad på ett sätt som gjutningsåtgärden inte kan parsa. Till exempel 1.0 och 1e1 kan inte omvandlas till någon heltalsnumerisk typ.

Casten kanske inte uttryckligen har angetts, men kan ha matats in implicit av Azure Databricks.

Den kontextinformation som tillhandahålls med det här felet isolerar objektet och uttrycket där felet inträffade.

En definition av domänen och godkända literalformat finns i definitionen för datatypentyopeName.

Lindring

Riskreduceringen för det här felet beror på orsaken:

• value Förväntas uppfylla domänen och formatet för den angivna typeName?

  Kontrollera att indata genererar ett värde och korrigera datakällan.

• Är castens mål för smalt?

  Bredda typen genom att till exempel flytta från DATE till TIMESTAMP, INT till BIGINT eller DOUBLE.

• Är formatet value felaktigt?

  Överväg att använda:

  • To_date
  • to_number
  • to_timestamp

  Dessa funktioner möjliggör en mängd olika format som du kan ange.

  När du gjuter numeriska literaler med decimaltecken (t.ex. 1.0 eller vetenskaplig notation (t.ex. 1e0) bör du överväga dubbel gjutning först till DECIMAL eller DOUBLE och sedan till det exakta numeriska.

• Förväntas data med felaktiga värden och bör tolereras genom att skapa NULL:er?

  Ändra uttryckets användning eller mata in try_cast(värdet AS typeName). Den här funktionen returneras NULL när den skickas utan en value som uppfyller typen.

  Om du inte kan ändra uttrycket kan du tillfälligt inaktivera ANSI-läge med hjälp av ansiConfigsom en sista utväg.

Exempel

-- A view with a cast and string literals outside the domain of the target type
> CREATE OR REPLACE TEMPORARY VIEW v(c1) AS SELECT CAST(a AS SMALLINT) FROM VALUES('100'), ('50000') AS t(a);
> SELECT c1 FROM v;
 [CAST_INVALID_INPUT] The value '50000' of the type "STRING" cannot be cast to "SMALLINT" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
 == SQL of VIEW v(line 1, position 8) ==
 SELECT CAST(a AS SMALLINT) FROM VALUES('100'), ('50000') A...
        ^^^^^^^^^^^^^^^^^^^

-- Widen the target type to match the domain of the input
> CREATE OR REPLACE TEMPORARY VIEW v(c1) AS SELECT cast(a AS INTEGER) FROM VALUES('100'), ('50000') AS t(a);
> SELECT c1 FROM v;
 100
 50000

-- The input data format does not match the target type
> SELECT cast(a AS INTEGER) FROM VALUES('1.0'), ('1e0') AS t(a);
 [CAST_INVALID_INPUT] The value '1.0' of the type "STRING" cannot be cast to "INT" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
 == SQL(line 1, position 8) ==
 SELECT cast(a AS INTEGER) FROM VALUES('1.0'), ('1e0') AS ...
        ^^^^^^^^^^^^^^^^^^

-- Adjust the target type to the match the format if the format is indicative of the domain.
> SELECT cast(a AS DOUBLE) FROM VALUES('1.0'), ('1e0') AS t(a);
 1.0
 1.0

-- ALternatively double cast to preserver the target type
> SELECT cast(cast(a AS DOUBLE) AS INTEGER) FROM VALUES('1.0'), ('1e0') AS t(a);
 1
 1

-- The format of the numeric input contains display artifacts
> SELECT cast(a AS DECIMAL(10, 3)) FROM VALUES('12,345.30-'), ('12+') AS t(a);
 [CAST_INVALID_INPUT] The value '12,345.30-' of the type "STRING" cannot be cast to "DECIMAL(10,3)" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
 == SQL(line 1, position 8) ==
 SELECT cast(a AS DECIMAL(10, 3)) FROM VALUES('$<123,45.30>'), ('...
        ^^^^^^^^^^^^^^^^^^^^^^^^^

-- Use to_number() to parse formatted values
> SELECT to_number(a, '9,999,999.999S') FROM VALUES('123,45.30-'), ('12+') AS t(a);
 -12345.300
 12.000

-- The format of a date input does not match the default format
> SELECT cast(geburtsdatum AS DATE) FROM VALUES('6.6.2000'), ('31.10.1970') AS t(geburtsdatum);
 [CAST_INVALID_INPUT] The value '6.6.2000' of the type "STRING" cannot be cast to "DATE" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
 == SQL(line 1, position 8) ==
 SELECT cast(geburtsdatum AS DATE) FROM VALUES('6.6.2000'), ('31.1...
        ^^^^^^^^^^^^^^^^^^^^^^^^^^

-- Use to_date to parse the correct input format for a date
> SELECT to_date(geburtsdatum, 'dd.MM.yyyy') FROM VALUES('6.6.2000'), ('31.10.1970') AS t(geburtsdatum);
  2000-06-06
  1970-10-31

-- The type resolution of Databricks did not derive a sufficiently wide type, failing an implicit cast
> SELECT 12 * monthly AS yearly FROM VALUES ('1200'), ('1520.56') AS t(monthly);
 [CAST_INVALID_INPUT] The value '1520.56' of the type "STRING" cannot be cast to "BIGINT" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
 == SQL(line 1, position 8) ==
 SELECT 12 * monthly AS yearly FROM VALUES ('1200'),...
        ^^^^^^^^^^^^

-- Explicitly declare the expected type
> SELECT 12 * cast(monthly AS DECIMAL(8, 2)) AS yearly FROM VALUES ('1200'), ('1520.56') AS t(monthly);
 14400.00
 18246.72

-- The input data is occasionally expected to incorrect
> SELECT cast(salary AS DECIMAL(9, 2)) FROM VALUES('30000'), ('prefer not to say') AS t(salary);
 [CAST_INVALID_INPUT] The value 'prefer not to say' of the type "STRING" cannot be cast to "DECIMAL(9,2)" because it is malformed.
 Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead.
 If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
== SQL(line 1, position 8) ==
SELECT cast(salary AS DECIMAL(9, 2)) FROM VALUES('30000'), ('prefer ...
       ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

-- Use try_cast to tolerate incorrect input
> SELECT try_cast(salary AS DECIMAL(9, 2)) FROM VALUES('30000'), ('prefer not to say') AS t(salary);
 30000.00
 NULL

-- In Databricks SQL temporarily disable ANSI mode to tolerate incorrect input.
> SET ANSI_MODE = false;
> SELECT cast(salary AS DECIMAL(9, 2)) FROM VALUES('30000'), ('prefer not to say') AS t(salary);
 30000.00
 NULL
> SET ANSI_MODE = true;

-- In Databricks Runtime temporarily disable ANSI mode to tolerate incorrect input.
> SET spark.sql.ansi.enabled = false;
> SELECT cast(salary AS DECIMAL(9, 2)) FROM VALUES('30000'), ('prefer not to say') AS t(salary);
 30000.00
 NULL
> SET spark.sql.ansi.enabled = true;

Relaterade

• cast-funktion
• funktionen to_date
• funktionen to_number
• funktionen to_timestamp
• funktionen try_cast
• funktionen try_to_number
• ANSI_MODE