我们在Spark 3.2中使用数据类型依赖逻辑。对于interval year数据类型，DataFrame方法schema和dtypes似乎不起作用。
没有interval year类型列，这些方法工作得很好：

df1 = spark.range(1)

df1.printSchema()
# root
#  |-- id: long (nullable = false)

print(df1.schema)
# StructType(List(StructField(id,LongType,false)))

print(df1.dtypes)
# [('id', 'bigint')]

字符串
但是当我添加一个新列时，schema和dtypes方法开始抛出解析错误：

df2 = df1.withColumn('col_interval_y', F.expr("INTERVAL '2021' YEAR"))

df2.printSchema()
# root
#  |-- id: long (nullable = false)
#  |-- col_interval_y: interval year (nullable = false)

print(df2.schema)
# ValueError: Unable to parse datatype from schema. Could not parse datatype: interval year

print(df2.dtypes)
# ValueError: Unable to parse datatype from schema. Could not parse datatype: interval year

型
为了让我们的逻辑工作，我们需要访问一个框架的列数据类型。我们如何在Spark 3.2中访问interval year类型？（Spark 3.5不会抛出错误，但我们还不能使用它）