Spark 3.5.0 特性速览_spark3.5

介绍

Spark 3系列已经发布了第六版3.5.0，目前最新3.5.1。

• 使用最广泛的大数据可扩展计算引擎。
• 数以千计的公司，包括 80% 的财富 500 强企业，都在使用 Apache Spark。
• 来自业界和学术界的 2000 多名开源项目贡献者。
  

Apache Spark 3.5.0 是 3.x 系列中的第六个版本，该版本在开源社区的大力贡献下解决了超过 1,300 个 Jira 问题。

版本摘要

此版本在以下几个方面取得了显著进展：

1. 对 Spark Connect 的适用场景进行了扩展，包括了对 Scala 和 Go 客户端的全面支持，提供了分布式训练与推理功能，并增强了对 Structured Streaming 的兼容性。

2. 引入了新的 PySpark 和 SQL 功能，例如 SQL 中的 IDENTIFIER 子句、SQL 函数调用的命名参数支持、HyperLogLog 近似聚合的 SQL 函数支持，以及 Python 用户自定义表函数。

3. 通过集成 DeepSpeed，简化了分布式训练的过程。

4. 引入了水印（watermark）在各个算子间的传播机制。

5. 在 Structured Streaming 中引入了 dropDuplicatesWithinWatermark 操作，使得在特定水印范围内去重数据成为可能。

Apache Spark 3.5.0 版本在提升连接服务、增强编程语言支持、丰富PySpark和SQL功能、优化分布式训练及强化流处理能力等方面均实现了重要改进与创新。

亮点内容

亮点内容：

1. Spark Connect 支持 Scala 和 Go 客户端 (SPARK-42554, SPARK-43351)：Spark Connect 现已为 Scala 和 Go 语言提供客户端支持。

2. 基于 PyTorch 的分布式机器学习支持 (SPARK-42471)：Spark Connect 集成了对基于 PyTorch 的分布式机器学习的支持。

3. Python 和 Scala 中的 Spark Connect 结构化流处理支持 (SPARK-42938)：在 Python 和 Scala 中增加了对 Spark Connect 结构化流处理功能的支持。

4. Python Spark Connect 客户端的 Pandas API 支持 (SPARK-42497)：Python Spark Connect 客户端现在支持使用 Pandas API。

5. 引入 Arrow Python UDFs (SPARK-40307)：新增了对 Arrow Python 用户定义函数（UDFs）的支持。

6. 支持 Python 用户定义表函数 (SPARK-43798)：添加了对 Python 用户自定义表函数的支持。

7. 将 PySpark 错误迁移到错误类上 (SPARK-42986)：改进了 PySpark 错误处理机制，将其整合到专门的错误类中。

8. PySpark 测试框架 (SPARK-44042)：推出了 PySpark 测试框架以方便进行单元测试。

9. 添加对 Datasketches HllSketch 的支持 (SPARK-16484)：内置了对 Datasketches HllSketch 数据结构的支持。

10. 内置 SQL 函数改进 (SPARK-41231)：提升了内置 SQL 函数的功能。

11. 引入 IDENTIFIER 子句 (SPARK-43205)：在 SQL 中引入了 IDENTIFIER 子句以支持特定语法特性。

12. 将 SQL 函数添加到 Scala、Python 和 R API 中 (SPARK-43907)：各编程接口现均支持直接调用 SQL 函数。

13. 添加 SQL 函数的命名参数支持 (SPARK-43922)：允许在调用 SQL 函数时使用命名参数。

14. 当 Shuffle 数据迁移后避免因执行器下线而无谓地重新运行任务 (SPARK-41469)：优化任务调度逻辑，减少不必要的任务重跑。

15. 分布式 ML 与 Spark Connect 的集成 (SPARK-42471)：加强了分布式机器学习与 Spark Connect 的结合。

16. DeepSpeed 分布式优化器支持 (SPARK-44264)：集成 DeepSpeed 以简化分布式训练过程。

17. 实现 RocksDB 状态存储的变更日志检查点 (SPARK-43421)：改进了 RocksDB 状态存储的持久化机制。

18. 引入水印在运算符间的传播 (SPARK-42376)：在 Spark 中实现水印信息在不同运算阶段之间的传递。

19. 引入 dropDuplicatesWithinWatermark 操作 (SPARK-42931)：在结构化流处理中增加了根据水印去除重复数据的操作。

20. 提升 RocksDB 状态存储提供程序的内存管理效能 (SPARK-43311)：针对 RocksDB 状态存储进一步优化了内存管理机制。

值得一提

Spark Connect 相关改进与介绍

1. sql模块重构：为了在Scala Spark Connect客户端和Spark之间共享一个最小化的依赖集合，并避免拉取所有Spark的传递依赖项，将sql模块重构为sql和sql-api两个模块。（SPARK-44273）

2. Scala客户端引入：正式推出用于Spark Connect的Scala客户端，使得Scala开发者可以直接利用Spark Connect进行相关操作。（SPARK-42554）

3. Python Spark Connect客户端的Pandas API支持：为Python版Spark Connect客户端增添了对Pandas API的支持，用户可以更便捷地进行数据处理和分析。（SPARK-42497）

4. 基于PyTorch的分布式ML支持：Spark Connect现已支持基于PyTorch的分布式机器学习功能，便于用户构建和部署大规模机器学习应用。（SPARK-42471）

5. Python和Scala中的结构化流处理支持：为Python和Scala环境下的Spark Connect增加了结构化流处理功能，使得用户可以更好地处理实时或连续的数据流。（SPARK-42938）

6. Go客户端初始版本发布：发布了Go语言版本的Spark Connect客户端初始版本，扩大了Spark Connect对更多开发者的语言覆盖范围。（SPARK-43351）

7. 跨Python和Scala的Spark原生与Spark Connect客户端间的兼容性改进：对Spark原生API与Spark Connect客户端在Python和Scala环境下的兼容性进行了大量优化，确保了两者间顺畅协作。

8. 客户端应用程序调试性和请求处理能力提升：增强了客户端应用的调试功能及请求处理性能，如异步处理、重试机制和长期查询等，以提高应用程序的稳定性和效率。

Spark SQL 新增功能详解

1. 添加元数据列文件块起始位置和长度：SPARK-42423，Spark SQL 现在支持在元数据中记录列文件的块起始位置和长度信息。

2. 在 Scala/Java sql() 方法中支持位置参数：SPARK-44066，在 Scala 和 Java API 中的 sql() 方法中添加了对位置参数的支持，使得可以通过索引方式传入 SQL 查询参数。

3. 在函数调用解析器中添加命名参数支持：SPARK-43922，在 SQL 解析器中为函数调用增加了命名参数的支持，使得在调用函数时可采用“名称=值”的形式指定参数。

4. 支持 INSERT INTO 语句源关系中带有 ORDER BY, LIMIT, OFFSET 的 SELECT DEFAULT：SPARK-43071，Spark SQL 现在允许在 INSERT INTO 语句中插入源表通过 ORDER BY、LIMIT 和 OFFSET 进行筛选后的 DEFAULT 行。

5. 为 TVF（Table-Valued Function）调用添加 PARTITION BY 和 ORDER BY 子句的 SQL 语法：SPARK-44503，在 TVF 调用时可以在 TABLE 参数后紧跟 PARTITION BY 和 ORDER BY 子句。

6. 在 DESCRIBE 和 SHOW CREATE TABLE 输出中包含列默认值信息：SPARK-42123，现在在 DESCRIBE 和 SHOW CREATE TABLE 命令的结果中会展示列的默认值。

7. 为 Catalog.listCatalogs 添加可选模式参数：SPARK-43792，Catalog API 中的 listCatalogs 方法现在支持过滤返回结果，可以根据提供的可选模式匹配列出目录。

8. 为 Catalog.listDatabases 添加可选模式参数：SPARK-43881，Catalog API 中的 listDatabases 方法也支持过滤返回结果，同样可根据提供的可选模式匹配列出数据库列表。

9. 当准备好执行时触发回调：SPARK-44145，Spark SQL 引入了一个新功能，可在计划执行准备就绪时触发用户自定义的回调函数。

10. 支持按名称插入（Insert By Name）语句：SPARK-42750，Spark SQL 现在支持按照列名而非列顺序来插入数据。

11. 为 Scala API 添加 call_function 方法：SPARK-44131，在 Scala API 中新增 call_function 方法，以便直接从代码中调用 SQL 函数。

12. 稳定的派生列别名：SPARK-40822，Spark SQL 改进了派生列的别名生成机制，确保其在整个查询过程中保持一致。

13. 支持通用常量表达式作为 CREATE/REPLACE TABLE OPTIONS 的值：SPARK-43529，在创建或替换表时，选项参数（OPTIONS）现在可接受更为复杂的常量表达式作为值。

14. 支持通过 INTERSECT/EXCEPT 操作符实现关联子查询：SPARK-36124，Spark SQL 已经能够处理含有关联条件的INTERSECT/EXCEPT子查询。

15. IDENTIFIER 子句：SPARK-43205，引入了 IDENTIFIER 子句，用于在 SQL 语句中更加灵活地引用和处理标识符（如表名、列名等）。

16. ANSI 模式下：Conv 函数在内部转换溢出时应返回错误：SPARK-42427，在遵循 ANSI 标准的模式下，当 Conv 函数进行数据类型转换时如果发生溢出，将会抛出错误。

其他

此外还有Core、PySpark、Structured Streaming、ML和UI等等诸多方面的改进。Spark 3.5还提示了将会移除对Java 8和Java 11的支持，改为最低Java 17。

小结

在技术创新与性能、生态扩展与兼容性、稳定性与易用性等方面全面提升，Apache Spark 3.5.0的发布对于整个大数据生态系统而言，不仅意味着性能和功能上的实质性飞跃，也是对当下及未来大数据处理需求的有力回应，通过不断演进与优化，巩固了Spark在大数据处理领域的领先地位。