Databricks Runtime 4.1 (EoS)

O Databricks lançou essa versão em maio de 2018.

As notas sobre a versão a seguir fornecem informações sobre o Databricks Runtime 4.1 da plataforma Apache Spark.

Delta Lake

O Databricks Runtime versão 4.1 adiciona melhorias de qualidade e funcionalidade importantes ao Delta Lake. O Databricks recomenda que todos os clientes do Delta Lake atualizem para o novo runtime. Esta versão permanece em Versão Prévia Privada, mas representa uma versão candidata em antecipação à próxima versão de GA (disponibilidade geral).

O Delta Lake agora também está disponível na Versão Prévia Privada para usuários do Azure Databricks. Entre em contato com seu gerente de conta ou inscreva-se em https://databricks.com/product/databricks-delta.

Alterações de quebra

• O Databricks Runtime 4.1 inclui alterações no protocolo de transação para habilitar novos recursos, como validação. As tabelas criadas com o Databricks Runtime 4.1 usam automaticamente a nova versão e não podem ser escritas por versões mais antigas do Databricks Runtime. Você deve atualizar tabelas existentes para aproveitar essas melhorias. Para atualizar uma tabela existente, primeiro atualize todos os trabalhos que estão sendo escritos na tabela. Em seguida, execute:

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

  Confira Como o Azure Databricks gerencia a compatibilidade de recursos do Delta Lake? para obter mais detalhes.

• As gravações agora são validadas em relação ao esquema atual da tabela em vez de adicionar automaticamente colunas ausentes da tabela de destino. Para habilitar o comportamento anterior, defina a opção mergeSchema como true.

• Se você estiver executando versões anteriores do Databricks Delta, deverá atualizar todos os trabalhos antes de usar o Databricks Runtime 4.1. Se você vir qualquer um desses erros, atualize para o Databricks Runtime 4.1:

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

• As tabelas não podem mais ter colunas que diferem apenas por caso.

• As configurações de tabela específicas do Delta agora devem ser prefixadas com delta.

Novos recursos

• Gerenciamento de esquema – O Databricks Delta agora valida acréscimos e substituições a uma tabela existente para garantir que o esquema que está sendo gravado corresponde ao esquema.

  • O Delta do Databricks continua a dar suporte à evolução automática do esquema.
  • O Databricks Delta agora dá suporte ao seguinte DDL para modificar o esquema explicitamente:
    • ALTER TABLE ADD COLUMN para adicionar novas colunas a uma tabela
    • ALTER TABLE CHANGE COLUMNS para alterar a ordem das colunas
    • ALTER TABLE [SET|UNSET] TBLPROPERTIES

  Para obter detalhes, consulte a Imposição de esquema.

• Suporte aprimorado de DDL e tabela

  • Suporte completo para DDL de tabela e saveAsTable(). save() e saveAsTable() agora têm semântica idêntica.
  • Todos os comandos DDL e DML suportam o nome da tabela e o delta.`<path-to-table>`.
  • SHOW PARTITIONS
  • SHOW COLUMNS
  • DESC TABLE
  • Informações detalhadas da tabela – você pode ver as versões atuais do leitor e do autor de uma tabela executando DESCRIBE DETAIL. Consulte Como o Azure Databricks gerencia a compatibilidade de recursos do Delta Lake?
  • Detalhes da tabela – as informações de proveniência agora estão disponíveis para cada gravação em uma tabela. A barra lateral Dados também mostra informações detalhadas da tabela e o histórico das tabelas do Databricks Delta. Confira Examinar os detalhes da tabela do Delta Lake com detalhes de descrição.
  • Tabelas de fluxo – os DataFrames de fluxo podem ser criados usando spark.readStream.format("delta").table("<table-name>").
  • Tabelas somente de anexação – o Delta do Databricks agora dá suporte à governança de dados básica. Você pode bloquear exclusões e modificações em uma tabela definindo a propriedade de tabela delta.appendOnly=true.
  • MERGE INTO source – adiciona suporte mais abrangente à especificação de consulta de origem do MERGE. Por exemplo, você pode especificar LIMITe ORDER BYINLINE TABLE na origem.
  • Suporte completo para ACLs de tabela.

Melhorias de desempenho

• Redução da sobrecarga da coleção de estatísticas – a eficiência da coleta de estatísticas foi aprimorada e as estatísticas agora são coletadas apenas para um número configurável de colunas, definido como 32 por padrão. O desempenho de gravação do Databricks Delta foi aprimorado em até 2x devido à redução na sobrecarga de coleta de estatísticas. Para configurar o número de colunas, defina a propriedade de tabela delta.dataSkippingNumIndexedCols=<number-of-columns>.
• Suporte para o pushdown de limite – as estatísticas são usadas para limitar o número de arquivos verificados para consultas que têm LIMIT e predicados sobre colunas de partição. Isso é aplicável a consultas em notebooks devido ao limit=1000 implícito em vigor para todos os comandos do notebook.
• Filtrar pushdown na origem do fluxo – as consultas de fluxo agora usam o particionamento ao iniciar um novo fluxo para ignorar dados irrelevantes.
• O paralelismo aprimorado por OPTIMIZE - OPTIMIZE agora é executado como uma única tarefa do Spark e usará todo o paralelismo disponível no cluster (anteriormente era limitado a 100 arquivos compactados por vez).
• Ignorar dados em DML – UPDATE, DELETEe MERGE agora usam estatísticas ao localizar arquivos que precisam ser regravados.
• Retenção de ponto de verificação reduzida – os pontos de verificação agora são retidos por dois dias (o histórico ainda é mantido por 30) para diminuir os custos de armazenamento para o log de transações.

Comportamento da API

• O comportamento do insertInto(<table-name>) no Databricks Delta é o mesmo que outras fontes de dados.
  • Se nenhum modo for especificado ou mode for ErrorIfExists, Ignoreou Append, ele anexa os dados no DataFrame à tabela do Databricks Delta.
  • Se mode for Overwrite, ele excluirá todos os dados na tabela existente e inserirá os dados do DataFrame na tabela Databricks Delta.
• Se armazenada em cache, a tabela de destino de MERGE deve ser armazenada sem cache manualmente.

Aperfeiçoamentos de usabilidade

• Validações de migração de carga de trabalho – erros comuns feitos ao migrar cargas de trabalho para o Databricks Delta agora lançam uma exceção em vez de falhar:
  • Usando format("parquet") para ler ou gravar uma tabela.
  • Lendo ou escrevendo diretamente em uma partição (ou seja, /path/to/delta/part=1).
  • Limpando subdiretórios de uma tabela.
  • INSERT OVERWRITE DIRECTORY usando Parquet em uma tabela.
• Configuração sem maiúsculas e minúsculas – as opções para o Leitor/Gravador do DataFrame e as propriedades de tabela agora não diferenciam maiúsculas de minúsculas (incluindo o caminho de leitura e o caminho de gravação).
• Nomes de coluna – os nomes de coluna de tabela agora podem incluir pontos.

Problemas conhecidos

• As inserções de instruções de várias inserções estão em unidades de trabalho diferentes, em vez da mesma transação.

Correções de bug

• Um loop infinito ao iniciar um novo fluxo em uma tabela de atualização rápida foi corrigido.

Desativações

O Fluxo Estruturado não lida com entradas que não são anexadas e lança uma exceção se ocorrerem modificações na tabela que está sendo usada como origem. Anteriormente, você poderia substituir esse comportamento usando o sinalizador ignoreFileDeletion, mas agora ele foi preterido. Em vez disso, use ignoreDeletes ou ignoreChanges. Confira Tabela Delta como origem

Outras alterações e melhorias

• O Watchdog de Consulta está habilitado para todos os clusters para todas as finalidades criados usando a interface do usuário.
• Desempenho aprimorado do lado do driver para o cache DBIO
• Desempenho aprimorado para decodificação de Parquet por meio de um novo decodificador Parquet nativo
• Desempenho aprimorado para eliminação de subexpressão comum
• Melhoria no desempenho de ignorar dados para tabelas grandes unindo tabelas pequenas (junções de tabela de dimensão de fato)
• display() renderiza colunas que contêm tipos de dados de imagem como HTML avançado.
• Melhorias em Registrar em log, carregar, registrar e implantar modelos do MLFlow
  • Dbml-local atualizado para a versão mais recente 0.4.1
  • Correção de bug com modelos exportados com o parâmetro threshold especificado
  • Adicionado suporte para exportar OneVsRestModel, GBTClassificationModel
• Atualizou algumas bibliotecas do Python instaladas:
  • pip: de 9.0.1 para 10.0.0b2
  • setuptools: de 38.5.1 para 39.0.1
  • tornado: 4.5.3 para 5.0.1
  • wheel: 0.30.0 para 0.31.0
• Atualizou várias bibliotecas do R instaladas. Confira Bibliotecas do R instaladas.
• Atualizado Azure Data Lake Store SDK de 2.0.11 para 2.2.8.
• CUDA atualizado para 9.0 de 8.0 e CUDNN para 7.0 de 6.0 para clusters de GPU.

Apache Spark

O Databricks Runtime 4.1 inclui o Apache Spark 2.3.0. Esta versão inclui todas as correções e melhorias incluídas no Databricks Runtime 4.0 (EoS), bem como as seguintes correções de bugs adicionais e melhorias feitas no Spark:

• [SPARK-24007][SQL] EqualNullSafe para FloatType e DoubleType podem gerar um resultado errado por codegen.
• [SPARK-23942][PYTHON] [SQL] Faz coleta no PySpark como ação para um ouvinte de executor de consulta
• [SPARK-23815][CORE] O modo de substituição de partição dinâmica do gravador do Spark pode falhar ao gravar a saída na partição de vários níveis
• [SPARK-23748][SS] Corrigir o processo contínuo de SS não dá suporte ao problema de SubqueryAlias
• [SPARK-23963][SQL] Lidar corretamente com um grande número de colunas em consulta na tabela Hive baseada em texto
• [SPARK-23867][SCHEDULER] Usar droppedCount no logWarning
• [SPARK-23816][CORE] Tarefas encerradas devem ignorar FetchFailures.
• [SPARK-23809][SQL] A SparkSession ativa deve ser definida por getOrCreate
• [SPARK-23966][SS] Refatorando toda a lógica de gravação do arquivo de ponto de verificação em uma interface CheckpointFileManager comum
• [SPARK-21351][SQL] Atualizar a nulidade com base na saída dos filhos
• [SPARK-23847][PYTHON] [SQL] Adicionar asc_nulls_first e asc_nulls_last ao PySpark
• [SPARK-23822][SQL] Melhorar a mensagem de erro de incompatibilidade de esquema do Parquet
• [SPARK-23823][SQL] Manter a origem em transformExpression
• [SPARK-23838][WEBUI] A consulta SQL em execução é exibida como "concluída" no guia SQL
• [SPARK-23802][SQL] O PropagateEmptyRelation pode deixar o plano de consulta em estado não resolvido
• [SPARK-23727][SQL] Suporte para envio de filtros por push para a DateType no parquet
• [SPARK-23574][SQL] Relatar SinglePartition em DataSourceV2ScanExec quando houver exatamente 1 data reader factory.
• [SPARK-23533][SS] Adicionar suporte para alterar startOffset do ContinuousDataReader
• [SPARK-23491][SS] Remover cancelamento de trabalho explícito da reconfiguração de ContinuousExecution
• [SPARK-23040][CORE] Retorna o iterador de interrupção para o leitor de ordem aleatória
• [SPARK-23827][SS] O StreamingJoinExec deve garantir que os dados de entrada sejam particionados em um número específico de partições
• [SPARK-23639][SQL] Obter token antes do cliente init na CLI do SparkSQL
• [SPARK-23806] O Broadcast.unpersist pode causar uma exceção fatal quando usado.…
• [SPARK-23599][SQL] Usar o RandomUUIDGenerator na expressão Uuid
• [SPARK-23599][SQL] Adicionar um gerador UUID de números pseudoaleatórios
• [SPARK-23759][UI] Não é possível associar a interface do usuário Spark ao nome do host específico / IP
• [SPARK-23769][CORE] Remover os comentários que desabilitam a verificação Scalastyle desnecessariamente
• [SPARK-23614][SQL] Corrigir troca de reutilização incorreta quando o cache é usado
• [SPARK-23760][SQL] CodegenContext.withSubExprEliminationExprs deve salvar/restaurar o estado do CSE corretamente
• [SPARK-23729][CORE] Respeitar o fragmento URI ao resolver globs
• [SPARK-23550][CORE] Limpar Utils
• [SPARK-23288][SS] Corrigir métricas de saída com o coletor do Parquet
• [SPARK-23264][SQL] Corrigir scala.MatchError em literals.sql.out
• [SPARK-23649][SQL] Ignorando os caracteres não permitidos em UTF-8
• [SPARK-23691][PYTHON] Usar sql_conf util nos testes do PySpark sempre que possível
• [SPARK-23644][CORE][UI] Usar o caminho absoluto para a chamada REST em SHS
• [SPARK-23706][PYTHON] spark.conf.get(value, default=None) deve produzir Nenhum no PySpark
• [SPARK-23623][SS] Evitar o uso simultâneo de consumidores em cache em CachedKafkaConsumer
• [SPARK-23670][SQL] Corrigir perda de memória em SparkPlanGraphWrapper
• [SPARK-23608][CORE][WEBUI] Adicionar uma sincronização em SHS entre as funções attachSparkUI e detachSparkUI para evitar problema de modificação simultânea no Jetty Handlers.
• [SPARK-23671][CORE] Corrigir a condição para habilitar o pool de threads SHS.
• [SPARK-23658][LAUNCHER] InProcessAppHandle usa a classe errada em getLogger
• [SPARK-23642][DOCS] Correção de scaladoc isZero de subclasse do AccumulatorV2
• [SPARK-22915][MLLIB] Testes do fluxo para spark.ml.feature, de N a Z
• [SPARK-23598][SQL] Tornar os métodos públicos no BufferedRowIterator para evitar erro de runtime para uma consulta grande
• [SPARK-23546][SQL] Refatorar métodos/valores sem estado em CodegenContext
• [SPARK-23523][SQL] Corrigir o resultado incorreto causado pela regra OptimizeMetadataOnlyQuery
• [SPARK-23462][SQL] Melhorar a mensagem de erro de campo ausente em StructType
• [SPARK-23624][SQL] Revisar doc do método pushFilters no Datasource V2
• [SPARK-23173][SQL] Evitar a criação de arquivos parquet corrompidos ao carregar dados do JSON
• [SPARK-23436][SQL] Inferir partição como data somente se ele for convertido em data
• [SPARK-23406][SS] Habilitar autojunções de fluxo-fluxo
• [SPARK-23490][SQL] Verificar storage.locationUri com tabela existente em CreateTable
• [SPARK-23524]Os blocos grandes de ordem aleatória local não devem ser verificados se estão corrompidos.
• [SPARK-23525][SQL] Suporte para ALTER TABLE CHANGE COLUMN COMMENT para tabela hive externa
• [SPARK-23434][SQL] O Spark não deverá avisar o diretório de metadados sobre um caminho de arquivo HDFS
• [SPARK-23457][SQL] Registrar ouvintes de conclusão de tarefas no ParquetFileFormat
• [SPARK-23329][SQL] Corrigir documentação de funções trigonométricas
• [SPARK-23569][PYTHON] Permitir que pandas_udf trabalhe com funções anotadas por tipo de estilo do python3
• [SPARK-23570][SQL] Adicionar o Spark 2.3.0 em HiveExternalCatalogVersionsSuite
• [SPARK-23517][PYTHON] Fazer com que _pyspark.util.exception_message produza o rastreamento do lado do Java por Py4JJavaError
• [SPARK-23508][CORE] Corrigir BlockmanagerId caso blockManagerIdCache provoque oom
• [SPARK-23448][SQL] Esclarecer o comportamento do analisador JSON e CSV no documento
• [SPARK-23365][CORE] Não ajustar executores num ao eliminar executores ociosos.
• [SPARK-23438][DSTREAMS] Corrigir perda de dados DStreams com WAL quando o driver falha
• [SPARK-23475][UI] Mostrar também as fases ignoradas
• [SPARK-23518][SQL] Evitar acesso de metastore quando os usuários só desejam ler e gravar quadros de dados
• [SPARK-23406][SS] Habilitar autojunções de fluxo-fluxo
• [SPARK-23541][SS] Permitir que a origem do Kafka leia dados com paralelismo maior que o número de partições do artigo
• [SPARK-23097][SQL][SS] Migrar fonte de soquete de texto para V2
• [SPARK-23362][SS] Migrar fonte de microlote Kafka para V2
• [SPARK-23445]Refatoração do ColumnStat
• [SPARK-23092][SQL] Migrar MemoryStream para APIs do DataSourceV2
• [SPARK-23447][SQL] Limpar modelo de codegen para Literal
• [SPARK-23366]Melhorar caminho de leitura quente em ReadAheadInputStream
• [SPARK-22624][PYSPARK] Expor ordem aleatória de particionamento por intervalos

Atualizações de manutenção

Confira Atualizações de manutenção do Databricks Runtime 4.1.

Ambiente do sistema

• Sistema operacional: Ubuntu 16.04.4 LTS
• Java: 1.8.0_162
• Scala: 2.11.8
• Python: 2.7.12 para os clusters do Python 2 e 3.5.2 para os clusters do Python 3.
• R: R versão 3.4.4 (15-03-2018)
• Clusters da GPU: as seguintes bibliotecas GPU da NVIDIA estão instaladas:
  • Driver Tesla 375.66
  • CUDA 9.0
  • cuDNN 7.0

Bibliotecas Python instaladas

Bibliotecas R instaladas

Instaladas as bibliotecas do Java e Scala (versão de cluster do Scala 2.11)