Databricks Runtime 4.1 (EoS)

Databricks a publié cette version en mai 2018.

Les notes de publication suivantes fournissent des informations sur Databricks Runtime 4.1 avec Apache Spark.

Delta Lake

Databricks Runtime version 4.1 ajoute des fonctionnalités et des améliorations de qualité majeures à Delta Lake. Databricks recommande fortement que tous les clients Delta Lake soient mis à niveau vers le nouveau runtime. Cette version est conservée en préversion privée, mais elle représente une version candidate en prévision de la prochaine version de disponibilité générale (GA).

Delta Lake est également disponible en préversion privée pour les utilisateurs d’Azure Databricks. Contactez votre responsable de compte ou inscrivez-vous via https://databricks.com/product/databricks-delta.

Changements cassants

• Databricks Runtime 4.1 comprend des modifications apportées au protocole de transaction pour activer de nouvelles fonctionnalités, telles que la validation. Les tables créées avec Databricks Runtime 4.1 utilisent automatiquement la nouvelle version et ne peuvent pas être écrites dans des versions antérieures de Databricks Runtime. Vous devez mettre à niveau les tables existantes afin de tirer parti de ces améliorations. Pour mettre à niveau une table existante, commencez par mettre à niveau tous les travaux qui écrivent dans la table. Ensuite, exécutez :

  com.databricks.delta.Delta.upgradeTableProtocol("<path-to-table>" or "<tableName>")
  

  Pour plus d’informations, consultez Comment Azure Databricks gère-t-il la compatibilité de la fonctionnalité Delta Lake ?

• Les écritures sont désormais validées par rapport au schéma actuel de la table au lieu d’ajouter automatiquement des colonnes manquantes dans la table de destination. Pour activer le comportement précédent, affectez l’option mergeSchema à true.

• Si vous exécutez des versions antérieures de Databricks Delta, vous devez mettre à niveau tous les travaux avant d’utiliser Databricks Runtime 4.1. Si vous voyez l’une de ces erreurs, effectuez la mise à niveau vers Databricks Runtime 4.1 :

  java.lang.NumberFormatException: For input string: "00000000000000....crc"
  scala.MatchError
  

• Les tables ne peuvent plus avoir de colonnes qui diffèrent uniquement par la casse.

• Les configurations de table spécifiques à Delta doivent maintenant être précédées de delta.

Nouvelles fonctionnalités

• Gestion des schémas : Databricks Delta valide désormais les ajouts et les remplacements dans une table existante pour s’assurer que le schéma en cours d’écriture correspond au schéma.

  • Databricks Delta continue à prendre en charge l’évolution de schéma automatique.
  • Databricks Delta prend désormais en charge la DDL suivante pour modifier le schéma explicitement :
    • ALTER TABLE ADD COLUMN pour ajouter de nouvelles colonnes à une table
    • ALTER TABLE CHANGE COLUMNS pour modifier l’ordre des colonnes
    • ALTER TABLE [SET|UNSET] TBLPROPERTIES

  Pour plus d’informations, consultez Application du schéma.

• Prise en charge améliorée des tables et DDL

  • Prise en charge complète des DDL de table et saveAsTable(). save() et saveAsTable() ont maintenant une sémantique identique.
  • Toutes les commandes DDL et DML prennent en charge les noms de table et delta.`<path-to-table>`.
  • SHOW PARTITIONS
  • SHOW COLUMNS
  • DESC TABLE
  • Informations détaillées sur le tableau : vous pouvez consulter les versions actuelles des lecteurs et des personnes en écriture d’une table en exécutant DESCRIBE DETAIL. Consultez Comment Azure Databricks gère-t-il la compatibilité des fonctionnalités Delta Lake ?.
  • Détails de la table : les informations de provenance sont désormais disponibles pour chaque écriture dans une table. La barre latérale des données affiche également des informations détaillées sur le tableau et l’historique des tables Databricks Delta. Voir Examiner les détails de la table Delta Lake avec DESCRIBE DETAIL.
  • Tables de diffusion : la diffusion en continu DataFrames peut être créée à l’aide de spark.readStream.format("delta").table("<table-name>").
  • Tables d’ajout uniquement : Databricks Delta prend désormais en charge la gouvernance des données de base. Vous pouvez bloquer les suppressions et les modifications apportées à une table en définissant la propriété de table delta.appendOnly=true.
  • MERGE INTO Source : ajoute une prise en charge plus complète à la spécification de requête source de MERGE. Par exemple, vous pouvez spécifier LIMIT, ORDER BY et INLINE TABLE dans la source.
  • Prise en charge complète des ACL de table.

Optimisation des performances

• Réduction de la charge de collecte des statistiques : l’efficacité de la collection de statistiques a été améliorée et les statistiques sont à présent uniquement collectées pour un nombre configurable de colonnes, défini sur 32 par défaut. Les performances d’écriture Databricks Delta ont été améliorées jusqu’à 2x en raison de la réduction de la charge de collecte des statistiques. Pour configurer le nombre de colonnes, définissez la propriété de table delta.dataSkippingNumIndexedCols=<number-of-columns>.
• Prise en charge de la limite pushdown : les statistiques permettent de limiter le nombre de fichiers analysés pour les requêtes qui ont LIMIT et des prédicats sur des colonnes de partition. Cela s’applique aux requêtes dans les notebooks en raison de l’effet implicite de limit=1000 pour toutes les commandes de notebook.
• Le filtrage pushdown dans les sources de diffusion en continu : les requêtes de diffusion en continu utilisent désormais le partitionnement lors du démarrage d’un nouveau flux pour ignorer les données non pertinentes.
• Le parallélisme amélioré pour OPTIMIZE - OPTIMIZE s’exécute maintenant en tant que tâche Spark unique et utilise tout le parallélisme disponible sur le cluster (auparavant limité à 100 fichiers compactés à la fois).
• Les données qui sont ignorées dans DML : UPDATE, DELETE et MERGE utilisent désormais les statistiques lors de la localisation des fichiers qui doivent être réécrits.
• Rétention de point de contrôle réduite : les points de contrôle sont maintenant conservés pendant deux jours (l’historique est toujours conservé pendant 30) pour réduire les coûts de stockage du journal des transactions.

Comportement API

• Le comportement de insertInto(<table-name>) dans Databricks Delta est le même que pour les autres sources de données.
  • Si aucun mode n’est spécifié ou mode si est ErrorIfExists, Ignore ou Append,cela ajoute les données dans DataFrame à la table Databricks Delta.
  • Si mode est Overwrite, cela supprime toutes les données de la table existante et insère les données de DataFrame dans la table Databricks Delta.
• En cas de mise en cache, la table de destination de MERGE doit être déplacée manuellement.

Améliorations de la convivialité

• Validations de la migration de la charge de travail : les erreurs courantes lors de la migration des charges de travail vers Databricks Delta lèvent désormais une exception au lieu d’échouer :
  • Utilisation de format("parquet") pour lire ou écrire une table.
  • Lecture ou écriture directe dans une partition (autrement dit, /path/to/delta/part=1).
  • Nettoyage des sous-répertoires d’une table.
  • INSERT OVERWRITE DIRECTORY utilisation de Parquet sur une table.
• La configuration sans respect de la casse : les options de lecture/écriture DataFrame et les propriétés de table sont désormais sans respect de la casse (y compris le chemin de lecture et le chemin d’accès en écriture).
• Noms de colonne : les noms de colonnes de table peuvent désormais inclure des points.

Problèmes connus

• Les insertions des instructions avec plusieurs insertions se trouvent dans des unités de travail différentes, plutôt que dans la même transaction.

Résolution des bogues

• Une boucle infinie lors du démarrage d’un nouveau flux sur une table de mise à jour rapide a été résolue.

Dépréciations

Le flux structuré ne traite pas les entrées qui ne sont pas des ajouts et lève une exception si des modifications sont apportées à la table utilisée comme source. Auparavant, vous pouviez remplacer ce comportement à l’aide de l’indicateur ignoreFileDeletion, mais ceci est maintenant déconseillé. Utilisez plutôt ignoreDeletes ou ignoreChanges. Consultez Table Delta comme source.

Autres changements et améliorations

• La surveillance des requêtes est activée pour tous les clusters à usage général créés à l’aide de l’interface utilisateur.
• Amélioration des performances côté pilote pour le cache DBIO
• Amélioration des performances pour le décodage Parquet via un nouveau décodeur Parquet natif
• Amélioration des performances pour l’élimination des sous-expressions communes
• Amélioration des performances pour ignorer des données pour la table de grande taille joignant les petites tables (jointures de table de dimension de faits)
• display() affiche les colonnes contenant des types de données image en tant que HTML enrichi.
• Améliorations apportées à l’enregistrement, au chargement, à l’inscription et au déploiement des modèles MLflow
  • Mise à niveau de dbml-local vers la dernière version 0.4.1
  • Correction du bogue avec les modèles exportés avec le paramètre spécifié threshold
  • Ajout de la prise en charge de l’exportation OneVsRestModel, GBTClassificationModel
• Mise à niveau de certaines bibliothèques Python installées :
  • pip : de la version 9.0.1 à la version 10.0.0b2
  • setuptools : de 38.5.1 à 39.0.1
  • tornado : de 4.5.3 à 5.0.1
  • wheel : 0.30.0 à 0.31.0
• Mise à niveau de plusieurs bibliothèques R installées. Consultez Bibliothèques R installées.
• Mise à niveau d’Azure Data Lake Store SDK de la version 2.0.11 vers la version 2.2.8.
• Mise à niveau de CUDA vers 9.0 à partir de 8.0 et CUDNN vers 7.0 de 6.0 pour les clusters GPU.

Apache Spark

Databricks Runtime 4.1 comprend Apache Spark 2.3.0. Cette version contient tous les améliorations et correctifs inclus dans Databricks Runtime 4.0 (EoS), ainsi que les améliorations et correctifs de bogues supplémentaires suivants apportés à Spark :

• [SPARK-24007][SQL] EqualNullSafe pour FloatType et DoubleType peut générer un résultat erroné par codegen.
• [SPARK-23942][PYTHON][SQL] Rend la collecte dans PySpark comme action pour un écouteur d’exécuteur de requête
• [SPARK-23815][CORE] Le mode de remplacement de la partition dynamique de l’éditeur Spark peut ne pas réussir à écrire la sortie sur une partition à plusieurs niveaux
• [SPARK-23748][SS] Le processus de correction SS en continu ne prend pas en charge le problème SubqueryAlias
• [SPARK-23963][SQL] Gère correctement un grand nombre de colonnes dans une requête sur une table Hive textuelle
• [SPARK-23867][SCHEDULER] Utiliser droppedCount dans logWarning
• [SPARK-23816][CORE] Les tâches supprimées doivent ignorer FetchFailures.
• [SPARK-23809][SQL] La session SparkSession active doit être définie par getOrCreate
• [SPARK-23966][SS] Refactorisation de toutes les logiques d’écriture de fichier de point de contrôle dans une interface CheckpointFileManager commune
• [SPARK-21351][SQL] Mettre à jour la possibilité de valeur null en fonction de la sortie des enfants
• [SPARK-23847][PYTHON][SQL] Ajouter des asc_nulls_first, asc_nulls_last à PySpark
• [SPARK-23822][SQL] Amélioration du message d’erreur pour les incompatibilités de schéma Parquet
• [SPARK-23823][SQL] Conservation de l’origine dans transformExpression
• [SPARK-23838][WEBUI] La requête SQL en cours d’exécution est affichée comme « terminée » sous l’onglet SQL
• [SPARK-23802][SQL] PropagateEmptyRelation peut laisser un plan de requête dans un état non résolu
• [SPARK-23727][SQL] Prise en charge des filtres push pour DateType dans parquet
• [SPARK-23574][SQL] Rapport SinglePartition dans DataSourceV2ScanExec quand il existe exactement 1 fabrique de lecteur de données.
• [SPARK-23533][SS] Ajout de la prise en charge de la modification de startOffset de ContinuousDataReader
• [SPARK-23491][SS] Supprimer l’annulation de tâche explicite de la reconfiguration de ContinuousExecution
• [SPARK-23040][CORE] Retour de l’itérateur interruptible pour le lecteur aléatoire
• [SPARK-23827][SS] StreamingJoinExec doit vérifier que les données d’entrée sont partitionnées en un nombre spécifique de partitions
• [SPARK-23639][SQL] Obtention du jeton avant l’initialisation du client de metastore dans SparkSQL CLI
• [SPARK-23806]Broadcast.unpersist peut provoquer une exception irrécupérable quand il est utilisé ...
• [SPARK-23599][SQL] Utilisation de RandomUUIDGenerator dans l’expression Uuid
• [SPARK-23599][SQL] Ajout d’un générateur UUID à partir de nombres pseudo-aléatoires
• [SPARK-23759][UI] Impossible de lier l’interface utilisateur de Spark au nom d’hôte/à l’adresse IP spécifique
• [SPARK-23769][CORE] Suppression des commentaires qui désactivent inutilement la vérification Scalastyle
• [SPARK-23614][SQL] Correction d’un échange de réutilisation incorrect quand la mise en cache est utilisée
• [SPARK-23760][SQL] CodegenContext.withSubExprEliminationExprs doit enregistrer/restaurer correctement l’état CSE
• [SPARK-23729][CORE] Respect du fragment d’URI lors de la résolution des modèles Glob
• [SPARK-23550][CORE] utilitaires de nettoyage
• [SPARK-23288][SS] Correction des métriques de sortie avec le récepteur Parquet
• [SPARK-23264][SQL] Correction de scala.MatchError dans literals.sql.out
• [SPARK-23649][SQL] Les caractères non autorisés sont ignorés dans UTF-8
• [SPARK-23691][PYTHON] Utilisation de l’utilitaire sql_conf dans les tests PySpark si possible
• [SPARK-23644][CORE][UI] Utilisation d’un chemin absolu pour l’appel REST dans SHS
• [SPARK-23706][PYTHON] spark.conf.get(value, valeur par défaut=None) doit produire None dans PySpark
• [SPARK-23623][SS] L’utilisation simultanée de consommateurs mis en cache doit être évitée dans CachedKafkaConsumer
• [SPARK-23670][SQL] Correction de la fuite de mémoire sur SparkPlanGraphWrapper
• [SPARK-23608][CORE][WEBUI] Ajout de la synchronisation dans SHS entre les fonctions attachSparkUI et detachSparkUI afin d’éviter le problème de modification simultanée pour les gestionnaires Jetty
• [SPARK-23671][CORE] Correction de la condition pour activer le pool de threads SHS.
• [SPARK-23658][LAUNCHER] InProcessAppHandle utilise la classe incorrecte dans getLogger
• [SPARK-23642][DOCS] Correction de scaladoc pour la sous-classe AccumulatorV2 isZero
• [SPARK-22915][MLLIB] Tests de streaming pour spark.ml.feature, de N à Z
• [SPARK-23598][SQL] Les méthodes dans BufferedRowIterator doivent être rendues publiques afin d’éviter l’erreur d’exécution pour une requête de grande taille
• [SPARK-23546][SQL] Refactorisation des méthodes/valeurs sans état dans CodegenContext
• [SPARK-23523][SQL] Résultat incorrect provoqué par la règle OptimizeMetadataOnlyQuery
• [SPARK-23462][SQL] Amélioration du message d’erreur de champ manquant dans StructType
• [SPARK-23624][SQL] Révision du document de la méthode pushFilters dans Datasource V2
• [SPARK-23173][SQL] La création de fichiers Parquet endommagés lors du chargement des données à partir de JSON doit être évitée
• [SPARK-23436][SQL] Déduction de la partition en tant que Date uniquement si elle peut être convertie en Date
• [SPARK-23406][SS] Activation de jointures réflexives entre flux
• [SPARK-23490][SQL] Vérification de storage.locationUri avec une table existante dans CreateTable
• [SPARK-23524]Il est inutile de vérifier si les blocs de lecture aléatoire locaux volumineux sont endommagés.
• [SPARK-23525][SQL] Prise en charge de ALTER TABLE CHANGE COLUMN COMMENT pour la table externe hive
• [SPARK-23434][SQL] Spark ne doit pas avertir le répertoire de métadonnées d’un chemin de fichier HDFS
• [SPARK-23457][SQL] Inscription tout d’abord des écouteurs d’achèvement des tâches dans ParquetFileFormat
• [SPARK-23329][SQL] Correction de la documentation des fonctions trigonométriques
• [SPARK-23569][PYTHON] Autorisation de l’utilisation de pandas_udf avec des fonctions annotées par le type de style python3
• [SPARK-23570][SQL] Ajout de Spark 2.3.0 dans HiveExternalCatalogVersionsSuite
• [SPARK-23517][PYTHON] Permettre à _pyspark.util.exception_message de produire la trace de Py4JJavaError côté Java
• [SPARK-23508][PYTHON] Corriger BlockmanagerId dans le cas blockManagerIdCache cause
• [SPARK-23448][SQL] Clarifier le comportement de l’analyseur JSON et CSV dans le document
• [SPARK-23365][CORE] Ne pas ajustes les exécuteurs num lors de la suppression des exécuteurs inactifs.
• [SPARK-23438][DSTREAMS] Corriger la perte de données DSTREAMS avec WAL en cas de blocage du pilote
• [SPARK-23475][UI] Afficher également les étapes ignorées
• [SPARK-23518][SQL] Évitez l’accès au metastore lorsque les utilisateurs veulent uniquement lire et écrire des trames de données
• [SPARK-23406][SS] Activation de jointures réflexives entre flux
• [SPARK-23541][SS] Autoriser la source Kafka à lire les données avec un parallélisme plus élevé que le nombre de partitions d’article
• [SPARK-23097][SQL][SS] Migrer la source de socket de texte vers v2
• [SPARK-23362][SS] Migrer la source de microlot Kafka vers v2
• [SPARK-23445] Refactorisation ColumnStat
• [SPARK-23092][SQL] Migrer MemoryStream vers les API DataSourceV2
• [SPARK-23447][SQL] Nettoyer le modèle codegen pour Literal
• [SPARK-23366]Améliorer le chemin de lecture à chaud dans ReadAheadInputStream
• [SPARK-22624][PYSPARK] Exposer la lecture aléatoire des partitionnements de plages

Mises à jour de maintenance

Consultez Mises à jour de maintenance de Databricks Runtime 4.1.

Environnement du système

• Système d’exploitation : Ubuntu 16.04.4 LTS
• Java : 1.8.0_162
• Scala : 2.11.8
• Python : 2.7.12 pour les clusters Python 2 et 3.5.2 pour les clusters Python 3.
• R : R version 3.4.4 (2018-03-15)
• Clusters GPU : Les bibliothèques GPU NVIDIA suivantes sont installées :
  • Pilote Tesla 375.66
  • CUDA 9.0
  • cuDNN 7.0

Bibliothèques Python installées

Bibliothèques R installées

Bibliothèques Java et Scala installées (version de cluster Scala 2.11)