Databricks Runtime 4.2 (EoS)

Databricks släppte den här versionen i juli 2018.

Följande viktig information innehåller information om Databricks Runtime 4.2 som drivs av Apache Spark.

Data Lake

Databricks Runtime 4.2 lägger till stora kvalitetsförbättringar och funktioner i Delta Lake. Databricks rekommenderar starkt att alla Delta Lake-kunder uppgraderar till den nya körningen. Den här versionen finns kvar i privat förhandsversion, men den representerar en kandidatversion i väntan på den kommande versionen av allmän tillgänglighet (GA).

Nya funktioner

• Strömmar kan nu skrivas direkt till en Delta table som är registrerad i Hive-metaarkivet genom att använda df.writeStream.table(...).

Förbättringar

• Alla Delta Lake-kommandon och frågekommandon har nu stöd för att referera till en table med dess sökväg som en identifier.

  delta.`<path-to-table>`
  

  Tidigare OPTIMIZE och VACUUM obligatorisk icke-standardanvändning av strängliteraler (d.s.a. '<path-to-table>').

• DESCRIBE HISTORY innehåller nu inchecknings-ID:t och sorteras som standard nyast till äldsta.

Felkorrigeringar

• Filtrering baserat på partition predikat fungerar nu korrekt även när predikaten skiljer sig från table.
• Åtgärdade saknade columnAnalysisException när du utförde likhetskontroller på booleska columns i Delta tables (d.v.s. booleanValue = true).
• CREATE TABLE ändrar inte längre transaktionsloggen när du skapar en pekare till en befintlig table. Detta förhindrar onödiga konflikter med samtidiga strömmar och tillåter skapandet av metaarkivpekare så att tableswhere användaren endast har läsbehörighet till data.
• Att anropa display() på en dataström med stora mängder data orsakar inte längre OOM i drivrutinen.
• AnalysisException genereras nu när en underliggande Delta Lake-sökväg tas bort i stället för att returnera tomma resultat.
• Delta Lake-konfigurationer som kräver en specifik protokollversion (till exempel appendOnly) kan endast tillämpas på tables i en lämplig version.
• När du uppdaterar tillståndet för en Delta-table, trunkeras nu långa härstamningar automatiskt för att undvika en StackOverFlowError.

Strukturerad direktuppspelning

Nya funktioner

• Delta Lake och Kafka har nu fullt stöd för Trigger.Once. Tidigare hastighetsgränser (till exempel maxOffsetsPerTrigger eller maxFilesPerTrigger) som angetts som källalternativ eller standardvärden kan bara resultera i en partiell körning av tillgängliga data. Dessa alternativ ignoreras nu när Trigger.Once används, vilket gör att alla tillgängliga data kan bearbetas.

• Har lagt till ny strömmande foreachBatch() i Scala where där du kan definiera en funktion för att bearbeta utdata från varje mikrobatch med hjälp av DataFrame-operationer. På så sätt kan du göra följande:

  • Använda befintliga batchdatakällor för att skriva mikrobatchutdata till system som inte har någon strömmande datakälla ännu (till exempel använda Cassandra batch writer på varje mikrobatchutdata).
  • Skriva mikrobatchutdata till flera platser.
  • Tillämpa DataFrame- och table-åtgärder på mikrobatchutdata som ännu inte stöds i strömmande DataFrames (till exempel att uppdatera eller infoga mikrobatchutdata i en Delta table).

• Funktioner har lagts from_avro/to_avro till för att läsa och skriva Avro-data i en DataFrame i stället för bara filer som liknar from_json/to_json. Mer information finns i Läsa och skriva Avro-data var som helst .

• Stöd har lagts till för strömning foreach() i Python (finns redan i Scala). Mer information finns i foreach- och foreachBatch-dokumentationen .

Förbättringar

• Snabbare generering av utdataresultat och/eller tillståndsrensning med tillståndskänsliga åtgärder (mapGroupsWithState, stream-stream-join, strömmande aggregering, strömmande dropDuplicates) när det inte finns några data i indataströmmen.

Felkorrigeringar

• Åtgärdade korrekthetsfel SPARK-24588 i ström-ström joinwherejoin rapporterade färre resultat när det finns en explicit ompartition före den (till exempel df1.repartition("a", "b").join(df, "a")).

Andra ändringar och förbättringar

• Stöd har lagts till för SQL Deny-kommando för table åtkomstkontroll aktiverade kluster. Användare kan nu deny specifika behörigheter på samma sätt som de kunde beviljas tidigare. En nekad behörighet ersätter en beviljad behörighet. Administratörer och ägare av ett visst objekt tillåts fortfarande alltid att utföra åtgärder.
• Ny Azure Data Lake Storage Gen2-datakälla som använder ABFS-drivrutinen. Se Ansluta till Azure Data Lake Storage Gen2 och Blob Storage
• Uppgraderade några installerade Python-bibliotek:
  • pip: från 10.0.0b2 till 10.0.1
  • setuptools: från 39.0.1 till 39.2.0
  • tornado: 5.0.1 till 5.0.2
  • hjul: 0.31.0 till 0.31.1
• Uppgraderade flera installerade R-bibliotek. Se Installerade R-bibliotek.
• Förbättrat Parquet-stöd
• Uppgraderade Apache ORC från 1.4.1 till 1.4.3

Apache Spark

Databricks Runtime 4.2 innehåller Apache Spark 2.3.1. Den här versionen innehåller alla korrigeringar och förbättringar som ingår i Databricks Runtime 4.1 (EoS) samt följande ytterligare felkorrigeringar och förbättringar som gjorts i Spark:

• [SPARK-24588][SS] join bör kräva HashClusteredPartitioning från undernoder
• [SPARK-23931][SQL] Gör arrays_zip i function.scala @scala.annotation.varargs.
• [SPARK-24633][SQL] Åtgärda codegen när delning krävs för arrays_zip
• [SPARK-24578][CORE] Begränsa underregionens storlek på returnerad niobuffert
• [SPARK-24613][SQL] Cachelagring med UDF kunde inte matchas med efterföljande beroende cacheminnen
• [SPARK-24583][SQL] Fel typ av schema i InsertIntoDataSourceCommand
• [SPARK-24565][SS] Lägg till API för i Structured Streaming för att exponera utdatarader i varje mikrobatch som en DataFrame
• [SPARK-24396][SS][PYSPARK] Lägg till Structured Streaming ForeachWriter för Python
• [SPARK-24216][SQL] Spark TypedAggregateExpression använder getSimpleName som inte är säkert i Scala
• [SPARK-24452][SQL][CORE] Undvik eventuellt spill i int add eller multiple
• [SPARK-24187][R][SQL] Lägg till funktionen array_join i SparkR
• [SPARK-24525][SS] Ange ett alternativ för att limit antal rader i en MemorySink
• [SPARK-24331][SPARKR][SQL] Lägga till arrays_overlap, array_repeat, map_entries till SparkR
• [SPARK-23931][SQL] Lägger till funktionen arrays_zip i Spark SQL
• [SPARK-24186][R][SQL] ändra omvänd och sammanfoga till samlingsfunktioner i R
• [SPARK-24198][SPARKR][SQL] Lägga till sektorfunktion i SparkR
• [SPARK-23920][SQL] lägger till array_remove för att remove alla element som är lika med element från matrisen
• [SPARK-24197][SPARKR][SQL] Lägga till array_sort funktion i SparkR
• [SPARK-24340][CORE] Rensa filer som inte blandar diskblockeringshanterare efter körningsavslut i ett fristående kluster
• [SPARK-23935][SQL] Lägga till funktionen map_entries
• [SPARK-24500][SQL] Se till att strömmar materialiseras under trädtransformeringar.
• [SPARK-24495][SQL] Se till attRequirement returnerar fel plan vid omordning av lika med nycklar
• [SPARK-24506][Användargränssnitt] Lägga till gränssnittsfilter på flikar som lagts till efter bindning
• [SPARK-24468][SQL] Hantera negativ skalning vid justering av precision för decimalåtgärder
• [SPARK-24313][SQL] Åtgärda insamlingsåtgärdernas tolkade utvärdering för komplexa typer
• [SPARK-23922][SQL] Lägg till funktionen arrays_overlap
• [SPARK-24369][SQL] Korrekt hantering för flera distinkta sammansättningar having samma argument set
• [SPARK-24455][CORE] korrigera stavfel i TaskSchedulerImpl-kommentar
• [SPARK-24397][PYSPARK] TaskContext.getLocalProperty(key) har lagts till i Python
• [SPARK-24117][SQL] Enhetliga getSizePerRow
• [SPARK-24156][SS] Åtgärda fel vid återställning efter felet i en batch utan data
• [SPARK-24414][Användargränssnitt] Beräkna rätt antal uppgifter för en fas.
• [SPARK-23754][PYTHON] Återskapa StopIteration i klientkoden
• [SPARK-23991][DSTREAMS] Åtgärda dataförlust när WAL-skrivning misslyckas i allokeraBlocksToBatch
• [SPARK-24373][SQL] Lägg till AnalysisBarrier i RelationalGroupedDatasets och KeyValueGroupedDatasets underordnade
• [SPARK-24392][PYTHON] Etikett pandas_udf som experimentell
• [SPARK-24334] Åtgärda konkurrenstillstånd i ArrowPythonRunner orsakar oren avstängning av Pilminnesallokering
• [SPARK-19112][CORE] Lägg till saknade shortCompressionCodecNames i konfigurationen.
• [SPARK-24244][SPARK-24368][SQL] Skicka endast nödvändiga columns till CSV-parsern
• [SPARK-24366][SQL] Förbättra felmeddelanden för typkonvertering
• [SPARK-24371][SQL] IsInCollection har lagts till i DataFrame API för Scala an...
• [SPARK-23925][SQL] Lägg till array_repeat samlingsfunktion
• [MINOR] Lägg till port-SSL-konfiguration i toString och scaladoc
• [SPARK-24378][SQL] Åtgärda felaktiga exempel på date_trunc funktion
• [SPARK-24364][SS] Förhindra att InMemoryFileIndex misslyckas om filsökvägen inte finns
• [SPARK-24257][SQL] LongToUnsafeRowMap beräknar att den nya storleken kan vara fel
• [SPARK-24348]Felkorrigering för [SQL] element_at"
• [SPARK-23930][SQL] Lägg till sektorfunktion
• [SPARK-23416][SS] Lägg till en specifik stoppmetod för ContinuousExecution.
• [SPARK-23852][SQL] Uppgradera till Parquet 1.8.3
• [SPARK-24350][SQL] Åtgärdar ClassCastException i funktionen "array_position"
• [SPARK-24321][SQL] Extrahera vanlig kod från Dividera/Rest till ett basdrag
• [SPARK-24309][CORE] AsyncEventQueue bör stoppas vid avbrott.
• [SPARK-23850][SQL] Lägg till separat konfiguration för SQL-alternativredigering.
• [SPARK-22371][CORE] Returnera Ingen i stället för att utlösa ett undantag när en ackumulator samlas in.
• [SPARK-24002][SQL] Uppgiften kan inte serialiseras på grund av org.apache.parquet.io.api.Binary$ByteBufferBackedBinary.getBytes
• [SPARK-23921][SQL] Lägg till funktionen array_sort
• [SPARK-23923][SQL] Lägg till kardinalitetsfunktion
• [SPARK-24159][SS] Aktivera mikrobatch utan data för strömning av mapGroupswithState
• [SPARK-24158][SS] Aktivera no-data-batchar för direktuppspelningsanslutningar
• [SPARK-24157][SS] Aktiverade no-data-batchar i MicroBatchExecution för strömningsaggregering och deduplicering
• [SPARK-23799][SQL] FilterEstimation.evaluateInSet genererar fel statistik för STRING
• [SPARK-17916][SQL] Åtgärda tom sträng som parsas som null när nullValue är set.
• [SPARK-23916][SQL] Lägg till funktionen array_join
• [SPARK-23408][SS] Synkronisera efterföljande AddData-åtgärder i Streaming*JoinSuite
• [SPARK-23780][R] Det gick inte att använda googleVis-biblioteket med nya SparkR
• [SPARK-23821][SQL] Samlingsfunktion: platta ut
• [SPARK-23627][SQL] Ange isEmpty i datauppsättning
• [SPARK-24027][SQL] Stöd för MapType med StringType för nycklar som rottyp efter from_json
• [SPARK-24035][SQL] SQL-syntax för Pivot – åtgärda antlr-varning
• [SPARK-23736][SQL] Utökar funktionen concat för att stödja matris columns
• [SPARK-24246][SQL] Förbättra AnalysisException genom att ange orsaken när den är tillgänglig
• [SPARK-24263][R] Java-kontroll i SparkR bryter med openjdk
• [SPARK-24262][PYTHON] Åtgärda stavfel i felmeddelandet för matchning av UDF-typ
• [SPARK-24067][STREAMING][KAFKA] Tillåt icke-efterföljande förskjutningar
• [SPARK-10878][CORE] Åtgärda konkurrenstillstånd när flera klienter löser artefakter samtidigt
• [SPARK-19181][CORE] Åtgärda flakiga "SparkListenerSuite.local metrics"
• [SPARK-24068]att överföra DataFrameReaders alternativparametrar till textdatakälla vid schema härledning
• [SPARK-24214][SS] Åtgärda toJSON för StreamingRelationV2/StreamingExecutionRelation/ContinuousExecutionRelation
• [SPARK-23919][SPARK-23924][SPARK-24054][SQL] Lägg till funktionen array_position/element_at
• [SPARK-23926][SQL] Utöka omvänd funktion för att stödja ArrayType-argument
• [SPARK-23809][SQL] Active SparkSession bör set av getOrCreate
• [SPARK-23094][SPARK-23723][SPARK-23724][SQL] Stöd för anpassad kodning för json-filer
• [SPARK-24035][SQL] SQL-syntax för Pivot
• [SPARK-24069][R] Lägg till funktioner för array_min/array_max
• [SPARK-23976][CORE] Identifiera längdspill i UTF8String.concat()/ByteArray.concat()
• [SPARK-24188][CORE] Restore API-slutpunkten "/version".
• [SPARK-24128][SQL] Nämna konfigurationsalternativet i implicit CROSS-JOIN-fel
• [SPARK-23291][SQL][R] R:s understräng bör inte minska startpositionen med 1 när scala API anropas
• [SPARK-23697][CORE] LegacyAccumulatorWrapper bör definiera isZero korrekt
• [SPARK-24168][SQL] WindowExec bör inte komma åt SQLConf på körsidan
• [SPARK-24143]filtrera tomma block när mapstatus konverteras till (blockId, storlek) par
• [SPARK-23917][SPARK-23918][SQL] Lägg till funktionen array_max/array_min
• [SPARK-23905][SQL] Lägg till UDF-veckodag
• [SPARK-16406][SQL] Förbättra prestanda för LogicalPlan.resolve
• [SPARK-24013][SQL] Remove onödig komprimering i ApproximatePercentile
• [SPARK-23433][CORE] Försenade slutföranden av zombieuppgifter update alla uppgiftsuppsättningar
• [SPARK-24169][SQL] JsonToStructs bör inte komma åt SQLConf på körsidan
• [SPARK-24133][SQL] Backport [SPARK-24133]Sök efter heltalsspill vid storleksändring av WritableColumnVectors
• [SPARK-24166][SQL] InMemoryTableScanExec bör inte komma åt SQLConf på körsidan
• [SPARK-24133][SQL] Sök efter heltalsspill vid storleksändring av WritableColumnVectors
• [SPARK-24085][SQL] Frågan returnerar UnsupportedOperationException när skalär underfråga finns i partitioneringsuttrycket
• [SPARK-24062][THRIFT SERVER] Åtgärda problem med SASL-kryptering som inte kan aktiveras på sparservern
• [SPARK-23004][SS] Se till att StateStore.commit bara anropas en gång i en strömningsaggregeringsaktivitet
• [SPARK-23188][SQL] Gör batchstorleken för vektoriserad columar-läsare konfigurerbar
• [SPARK-23375][SPARK-23973][SQL] Eliminera onödig sortering i Optimizer
• [SPARK-23877][SQL] Använda filterpredikat för att rensa partitioner i frågor som endast gäller metadata
• [SPARK-24033][SQL] Korrigera matchningsfel för Window frame specifiedwindowframe(RowFrame, -1, -1)
• [SPARK-23340][SQL] Uppgradera Apache ORC till 1.4.3
• Åtgärda ett saknat null-kontrollproblem som mer sannolikt utlöses av strömlinjeformad kodgenerering och exponeras av SPARK-23986 eftersom den genererade källkoden blev lite längre och utlöste den problematiska kodsökvägen (koddelning med Expression.reduceCodeSize()).
• [SPARK-23989][SQL] exchange bör kopiera data före icke-serialiserad blandning
• [SPARK-24021][CORE] åtgärdar bugg i BlacklistTracker's updateBlacklistForFetchFailure
• [SPARK-24014][PYSPARK] Lägg till onStreamingStarted-metod i StreamingListener
• [SPARK-23963][SQL] Hantera ett stort antal columns i en fråga på en textbaserad Hive-table
• [SPARK-23948] Utlösa mapstages jobblyssnare i submitMissingTasks
• [SPARK-23986][SQL] freshName kan generate icke-unika namn
• [SPARK-23835][SQL] Lägg till not-null-kontroll i Tupplars argument deserialisering

Underhållsuppdateringar

Se Underhållsuppdateringar för Databricks Runtime 4.2.

Systemmiljö

• Operativsystem: Ubuntu 16.04.4 LTS
• Java: 1.8.0_162
• Scala: 2.11.8
• Python: 2.7.12 för Python 2-kluster och 3.5.2 för Python 3-kluster.
• R: R version 3.4.4 (2018-03-15)
• GPU-kluster: Följande NVIDIA GPU-bibliotek är installerade:
  • Tesla-förare 375,66
  • CUDA 9.0
  • cuDNN 7.0

Installerade Python-bibliotek

Installerade R-bibliotek

Installerade Java- och Scala-bibliotek (Scala 2.11-klusterversion)