Databricks Runtime 6.0 (EoS)

Databricks 于 2019 年 10 月发布此版本。

以下发行说明提供了由 Apache Spark 支持的 Databricks Runtime 6.0 的相关信息。

新功能

Python 环境

Databricks Runtime 6.0 包括了对 Python 和 Python 环境配置方式的重大更改，包括将 Python 升级到 3.7.3、优化已安装的 Python 包的列表，以及将那些安装的包升级到较新版本。 有关详细信息，请参阅已安装的 Python 库。

此外，如之前所公告的那样，Databricks Runtime 6.0 不支持 Python 2。

重大更改包括：

• 已将 Python 从 3.5.2 升级到 3.7.3。 某些旧版本的 Python 包可能不能前向兼容 Python 3.7，因为它们依赖于与 Python 3.7 不兼容的旧版本 Cython。 安装此类包可能会触发类似于 'PyThreadState' {'struct _ts'} has no member named 'exc_type' 的错误（有关详细信息，请参阅 GitHub 问题 1978）。 请改为安装兼容 Python 3.7 的 Python 包版本。
• 重大包升级：
  • 将 boto3 升级到了 1.9.162
  • 将 ipython 升级到了 7.4.0
  • 将 matplotlib 升级到了 3.0.3
  • 将 numpy 升级到了 1.16.2
  • 将 pandas 升级到了 0.24.2
  • 将 pyarrow 升级到了 0.13.0
• 与 Databricks Runtime 5.5 LTS (EoS) 相比，新增了以下 Python 包：asn1crypto、backcall、jedi、kiwisolver、parso 和 PySocks。
• 与 Databricks Runtime 5.5 LTS (EoS) 相比，未安装以下 Python 包：ansi2html、brewer2mpl、colorama、configobj、enum34、et-xmlfile、freetype-py、funcsigs、fusepy、ggplot、html5lib、ipaddress、jdcal、Jinja2、llvmlite、lxml、MarkupSafe、mpld3、msgpack-python、ndg-httpsclient、numba、openpyxl、pathlib2、Pillow、ply、pyasn1、pypng、python-geohash、scour、simplejson 和 singledispatch。
• 不再支持 Python ggplot 对象上的 display 函数，因为 ggplot 包不兼容较新版本的 pandas。
• 不支持将 PYSPARK_PYTHON 设置为 /databricks/python2/bin/python，因为 Databricks Runtime 6.0 不支持 Python 2。 具有此类设置的群集仍可以启动。 但是，Python 笔记本和 Python 命令将不起作用，也就是说，Python 命令单元将失败，并显示“已取消”错误，而且驱动程序日志中将出现 Python shell failed to start 错误。
• 如果 PYSPARK_PYTHON 指向由 PYSPARK_PYTHON 管理的环境中的一个 Python 可执行文件，则会为初始化脚本和笔记本激活此环境。 你可以直接使用在激活的环境中定义的 python 和 pip 命令，不必指定这些命令的绝对位置。 默认情况下，PYSPARK_PYTHON 设置为 /databricks/python3/bin/python。 因此，默认情况下，对于初始化脚本和笔记本，python 指向 /databricks/python3/bin/python，pip 指向 /databricks/python3/bin/pip。 如果你的 PYSPARK_PYTHON 指向的 Python 可执行文件不在由 Virtualenv 管理的环境中，或者你要编写初始化脚本来创建 PYSPARK_PYTHON 指定的 Python，则需要使用绝对路径来访问正确的 python 和 pip。 启用了 Python 库隔离时（默认情况下启用），激活的环境仍是与 PYSPARK_PYTHON 关联的环境。 建议使用库实用工具 (dbutils.library)（旧版）来修改与 Python 笔记本关联的独立环境。

与 Delta Lake DML 命令对应的 Scala 和 Java API

你现在可以使用用于删除、更新和合并的编程 API 来修改 Delta 表中的数据。 这些 API 镜像了其对应 SQL 命令的语法和语义，非常适用于许多工作负荷，例如，缓变维度 (SCD) 操作、合并更改数据以进行复制，以及从流式处理查询进行更新插入。

有关详细信息，请参阅什么是 Delta Lake？。

与 Delta Lake 实用工具命令对应的 Scala 和 Java API

Databricks Runtime 现在具有与 vacuum 和 history 实用工具命令对应的编程 API。 这些 API 镜像了 Databricks Runtime 早期版本中提供的对应 SQL 命令的语法和语义。

你可以对表运行 vacuum，以清理 Delta 表不再引用的在保留期阈值之前创建的文件。 对表运行 vacuum 命令将以递归方式清理与 Delta 表关联的目录。 文件的默认保留期阈值为 7 天。 运行 vacuum 后，无法再按时间顺序查看在保留期之前创建的版本。 vacuum 不会自动触发。

通过运行 history 命令，可检索每次写入 Delta 表的操作、用户和时间戳等内容的相关信息。 按时间倒序返回返回操作。 默认情况下，表历史记录保留 30 天。

有关详细信息，请参阅什么是 Delta Lake？。

可用于 Azure Lsv2 实例的磁盘缓存

现在，默认会为所有 Lsv2 实例启用 [磁盘缓存]](../../optimizations/disk-cache.md)。

使用本地文件 API 的优化存储

本地文件 API 非常有用，因为它们允许你像访问本地文件那样访问基础分布式对象存储中的文件。 在 Databricks Runtime 6.0 中，我们增强了 FUSE 装载，使本地文件 API 能够满足关键限制。 Databricks Runtime 6.0 极大地提高了读写速度，并支持大于 2 GB 的文件。 如果需要更快、更可靠的读取和写入（例如针对分布式模型训练的读取和写入），则你会发现此增强功能特别有用。 此外，你将不需要将数据加载到工作负荷的本地存储，因此可以节省成本并提高工作效率。

有关详细信息，请参阅什么是 DBFS？。

每个笔记本单元格多个 matplotlib 绘图

现在可以为每个笔记本单元格显示多个 matplotlib 绘图：

改进

• 已将 AWS SDK 升级到 1.11.596。
• WASB 驱动程序中的 Microsoft Azure 存储 SDK 已升级到 7.0。
• OPTIMIZE 现在提供了指标值（例如添加的文件数、删除的文件数，以及最大和最小文件大小）的摘要。 请参阅优化数据文件布局。

删除

Databricks ML 模型导出已删除。 请改用 MLeap 来导入和导出模型。

Apache Spark

Databricks Runtime 6.0 包括 Apache Spark 2.4.3。 此版本包括 Databricks Runtime 5.5 LTS (EoS) 中包含的所有 Spark 修复和改进，以及对 Spark 进行的以下其他缺陷修复和改进：

• [SPARK-27992][SPARK-28881][PYTHON] 允许 Python 与连接线程联接以传播错误
• [SPARK-27330][SS] 在 foreach 编写器中支持任务中止（6.0、5.x）
• [SPARK-28642][SQL] 在 SHOW CREATE TABLE 中隐藏凭据
• [SPARK-28699][CORE] 修复了中止不确定阶段的个别案例
• [SPARK-28647][WEBUI] 恢复其他指标功能
• [SPARK-28766][R] [DOC] 修复对无效 URL 的 CRAN 传入可行性警告
• [SPARK-28486][CORE][PYTHON] 将 PythonBroadcast 的数据文件映射到 BroadcastBlock，以避免被系统通过垃圾回收删除
• [SPARK-25035][CORE] 避免在复制磁盘存储的块时进行内存映射
• [SPARK-27234][SS][PYTHON] 对 EpochTracker 中的当前 epoch 使用 InheritableThreadLocal（以支持 Python UDF）
• [SPARK-28638][WEBUI] 任务摘要应该只包含成功任务的指标
• [SPARK-28153][PYTHON] 在 InputFileBlockHolder 上使用 AtomicReference（以通过 Python UDF 支持 input_file_name）
• [SPARK-28564][CORE] 访问历史记录应用程序默认为最后一个尝试 ID
• [SPARK-28260] 群集可能会在 thriftserver 查询仍在提取结果时自动终止
• [SPARK-26152][CORE] 将辅助角色清理与辅助角色关闭同步
• [SPARK-28545][SQL] 将哈希映射大小添加到 ObjectAggregationIterator 的定向日志中
• [SPARK-28489][SS] 修复了 KafkaOffsetRangeCalculator.getRanges 可能会删除偏移量的 bug
• [SPARK-28421][ML] SparseVector.apply 性能优化
• [SPARK-28156][SQL] 自联接不应未命中缓存视图
• [SPARK-28152][SQL] 将 ShortType 映射到 SMALLINT，将 FloatType 映射到 REAL（适用于 MsSqlServerDialect）
• [SPARK-28054][SQL] 修复当分区名称为大写的情况下动态插入 Hive 分区表时的错误
• [SPARK-27159][SQL] 更新 mssql server 方言以支持二进制类型
• [SPARK-28355][CORE] [PYTHON] 将 Spark conf 用作阈值…
• [SPARK-27989][CORE] 在连接到 k8s 的驱动程序时添加了重试
• [SPARK-27416][SQL] UnsafeMapData & UnsafeArrayData Kryo 序列化 …
• [SPARK-28430][UI] 修复某些任务的指标缺失时的阶段表渲染
• [SPARK-27485] EnsureRequirements.reorder 应该会妥善处理重复表达式
• [SPARK-28404][SS] 修复 RateStreamContinuousPartitionReader 中的负超时值
• [SPARK-28378][PYTHON] 删除 cgi.escape 的使用
• [SPARK-28371][SQL] 使 Parquet“StartsWith”筛选器 null 安全
• [SPARK-28015][SQL] 检查 stringToDate() 是否使用 yyyy 和 yyyy-[m]m 格式的整个输入
• [SPARK-28302][CORE] 确保为 Windows 上的 SparkLauncher 生成唯一的输出文件
• [SPARK-28308][CORE] 解析 CalendarInterval 之前应填充其子部分
• [SPARK-28170][ML] [PYTHON] 统一矢量和矩阵文档
• [SPARK-28160][CORE] 修复当未选中的异常缺失时回调函数可能挂起的 bug
• [SPARK-27839][SQL] 更改 UTF8String.replace() 以对 UTF8 字节进行操作
• [SPARK-28157][CORE] 使 SHS 清除阻止列表中的条目的 KVStore LogInfo
• [SPARK-28128][PYTHON][SQL] pandas 分组的 UDF 会跳过空分区
• [SPARK-28012][SQL] Hive UDF 支持结构类型可折叠表达式
• [SPARK-28164] 修复 start-slave.sh 的用法描述
• [SPARK-27100][SQL] 在 FilePartition 中使用 Array 而非 Seq 以防止 StackOverflowError
• [SPARK-28154][ML] GMM 修复双重缓存问题

维护更新

请参阅 Databricks Runtime 6.0 维护更新。

系统环境

• 操作系统：Ubuntu 16.04.6 LTS
• Java：1.8.0_232
• Scala：2.11.12
• Python：3.7.3
• R：R 版本 3.6.1 (2019-07-05)
• Delta Lake：0.3.0

已安装的 Python 库

已安装的 R 库

已安装的 Java 库和 Scala 库（Scala 2.11 群集版本）