Spark 1.6.0 版本发布

Apache Spark 1.6.0 是 1.x 系列的第七个版本。此版本包含 248+ 位贡献者的贡献!要下载 Spark 1.6.0,请访问下载页面。

您可以查阅 JIRA 以获取详细更改。我们在此整理了一份高级别更改列表

Spark Core/SQL

  • API 更新
    • SPARK-9999  Dataset API - 一个新的 Spark API,类似于 RDD,允许用户使用自定义对象和 Lambda 函数,同时仍可获得 Spark SQL 执行引擎的优势。
    • SPARK-10810 会话管理 - 不同的用户可以共享一个集群,同时拥有不同的配置和临时表。
    • SPARK-11197 文件上的 SQL 查询 - 简洁的语法,用于对任何支持格式的文件运行 SQL 查询,而无需注册表。
    • SPARK-11745 读取非标准 JSON 文件 - 添加了读取非标准 JSON 文件(例如单引号、未加引号的属性)的选项。
    • SPARK-10412 SQL 执行的逐运算符指标 - 显示基于每个运算符的内存使用情况和溢出数据大小的统计信息。
    • SPARK-11329 StructTypes 的星号 (*) 扩展 - 使得嵌套和非嵌套任意数量的列变得更容易。
    • SPARK-4849  缓存数据的增强布局 - 在内存表扫描中存储分区和排序方案,并向 DF API 添加 distributeBy 和 localSort。
    • SPARK-11778  - DataFrameReader.table 支持指定数据库名称。例如,可以使用 sqlContext.read.table(“dbName.tableName”) 从数据库 “dbName” 中的表 “tableName” 创建 DataFrame。
    • SPARK-10947  - 通过从 JSON 推断模式到 Dataframe,用户可以将 primitivesAsString 设置为 true(在数据源选项中),以将所有原始值类型推断为字符串。primitivesAsString 的默认值为 false。
  • 性能
    • SPARK-10000 统一内存管理 - 用于执行和缓存的共享内存,而不是区域的独占划分。
    • SPARK-11787 Parquet 性能 - 改进使用扁平模式时的 Parquet 扫描性能。
    • SPARK-9241  改进了具有不同聚合的查询规划器 - 当不同列具有高基数时,不同聚合的查询计划更健壮。
    • SPARK-9858  自适应查询执行 - 对自动选择连接和聚合的 reducer 数量的初步支持。
    • SPARK-10978 避免数据源 API 中的双重过滤器 - 在实现带有过滤器下推的数据源时,开发者现在可以告诉 Spark SQL 避免对下推的过滤器进行双重评估。
    • SPARK-11111 快速空安全连接 - 使用空安全等价符 (<=>) 的连接现在将使用 SortMergeJoin 执行,而不是计算笛卡尔积。
    • SPARK-10917, SPARK-11149 内存列式缓存性能 - 在 DataFrames 或 SQL 中缓存包含复杂类型的数据时,显著(高达 14 倍)加速。
    • SPARK-11389 使用堆外内存进行 SQL 执行 - 支持配置查询执行使用堆外内存以避免 GC 开销。

Spark Streaming

  • API 更新
    • SPARK-2629  新的改进状态管理 - mapWithState - 一种用于有状态流处理的 DStream 转换,在功能和性能上取代了 updateStateByKey
    • SPARK-11198 Kinesis 记录解聚合 - Kinesis 流已升级到使用 KCL 1.4.0,并支持 KPL 聚合记录的透明解聚合。
    • SPARK-10891 Kinesis 消息处理函数 - 允许在 Kinesis 接收器中将任意函数应用于 Kinesis 记录,以便自定义要存储在内存中的数据。
    • SPARK-6328  Python Streaming 监听器 API - 在流处理中获取流统计信息(调度延迟、批处理时间等)。
  • UI 改进
    • 在流式处理选项卡、时间轴、批次列表和批次详情页面中显示故障。
    • 在流式处理选项卡中将输出操作显示为进度条。

MLlib

  • 新算法/模型
    • SPARK-8518  生存分析 - 用于生存分析的对数线性模型。
    • SPARK-9834  最小二乘法的正规方程 - 正规方程求解器,提供类似 R 语言的模型汇总统计信息。
    • SPARK-3147  在线假设检验 - Spark Streaming 框架中的 A/B 测试。
    • SPARK-9930  新的特征转换器 - ChiSqSelector、QuantileDiscretizer、SQL transformer。
    • SPARK-6517  二分 K-Means 聚类 - K-Means 的快速自上而下聚类变体。
  • API 改进
    • ML 管道
      • SPARK-6725  管道持久化 - ML 管道的保存/加载,部分覆盖 spark.ml 算法。
      • SPARK-5565  ML 管道中的 LDA - ML 管道中 Latent Dirichlet Allocation 的 API。
    • R API
      • SPARK-9836  GLM 的 R 语言风格统计 - (部分) 通过 summary(model) 为普通最小二乘法提供 R 语言风格的统计信息。
      • SPARK-9681  R 公式中的特征交互 - R 公式中的交互运算符 “:”。
    • Python API - Python API 的许多改进,以接近功能对等。
  • 其他改进
  • 文档改进
    • SPARK-7751  @since 版本 - 文档包含类和方法添加时的初始版本。
    • SPARK-11337 可测试的示例代码 - 用户指南示例中代码的自动化测试。

弃用

  • 在 spark.mllib.clustering.KMeans 中,“runs” 参数已被弃用。
  • 在 spark.ml.classification.LogisticRegressionModel 和 spark.ml.regression.LinearRegressionModel 中,“weights” 字段已被弃用,取而代之的是新名称“coefficients”。这有助于与算法的实例(行)权重进行区分。

行为变更

  • MLlib
    • spark.mllib.tree.GradientBoostedTreesvalidationTol 在 1.6 中改变了语义。以前,它是错误绝对变化的阈值。现在,它类似于 GradientDescentconvergenceTol 的行为:对于大错误,它使用相对误差(相对于先前的错误);对于小错误(< 0.01),它使用绝对误差。
    • spark.ml.feature.RegexTokenizer:以前,它在分词前不会将字符串转换为小写。现在,它默认转换为小写,并提供一个选项不进行转换。这与更简单的 Tokenizer 转换器的行为相匹配。
  • SQL
    • 用于关闭 Tungsten 模式和代码生成的标志 (spark.sql.tungsten.enabled) 已被移除。Tungsten 模式和代码生成始终启用 (SPARK-11644)。
    • Spark SQL 的分区发现已更改为仅发现给定路径的子分区目录。(即,如果 path="/my/data/x=1",那么 x=1 将不再被视为一个分区,而只考虑 x=1 的子目录。) 此行为可以通过手动指定分区发现应开始的 basePath 来覆盖 (SPARK-11678)。
    • 对于 UDF,如果它具有原始类型输入参数(非空输入参数),当此参数的值为 null 时,此 UDF 将返回 null (SPARK-11725)。
    • 当将整数类型的值转换为时间戳时(例如,将长整型值转换为时间戳),该值被视为秒而不是毫秒 (SPARK-11724)。
    • 随着针对具有不同聚合的查询的改进查询规划器 (SPARK-9241) 的引入,具有单个不同聚合的查询计划已更改为更健壮的版本。要切换回 Spark 1.5 规划器生成的计划,请将 spark.sql.specializeSingleDistinctAggPlanning 设置为 true (SPARK-12077)。
    • Row 的 getBoolean, getByte, getShort, getInt, getLong, getFloat 和 getDouble 方法如果给定序号处的值为 null,将抛出 NullPointerException (SPARK-11553)。
    • variance 是 var_samp 的别名,而不是 var_pop (SPARK-11490)。
    • 将字符串类型值转换为布尔类型值的语义已更改 (SPARK-10442)。将“t”、“true”、“y”、“yes”和“1”中的任何一个转换为布尔类型值将返回 true。将“f”、“false”、“n”、“no”和“0”中的任何一个转换为布尔类型值将返回 false。对于其他字符串字面量,将其转换为布尔类型值将返回 null。
    • 聚合函数 first 和 last 默认情况下不会忽略 null 值 (SPARK-9740)。要使其忽略 null 值,用户可以将 first 和 last 的第二个参数设置为 true。例如,first(col, true) 将返回列 col 的第一个非 null 值。

已知问题

  • SPARK-12546 将 DataFrame/表保存为带有动态分区的 Parquet 可能会导致 OOM;这可以通过使用 spark.memory.fraction(例如 0.4)和 parquet.memory.pool.ratio(例如 0.3,在 Hadoop 配置中,如在 core-site.xml 中设置)来减少 Spark 和 Parquet 所使用的内存来解决。

致谢

最后但同样重要的是,没有以下贡献者的付出,本次发布是不可能实现的:Adam Lewandowski, Adam Roberts, Adrian Zhuang, Ahir Reddy, Akash Mishra, Alex Angelini, Alex Bozarth, Alexander Slesarenko, Alexander Ulanov, Alexey Grishchenko, Alok Singh, Anderson De Andrade, Andrew Or, Andrew Ray, Ankur Dave, Artem Aliev, Ashwin Shankar, Ashwin Swaroop, Asoka Diggs, Avrohom Katz, Bartlomiej Alberski, Ben Fradet, Bertrand Dechoux, Bharat Lal, Bhargav Mangipudi, Bill Chambers, Bin Wang, Bo Meng, Brennon York, Bryan Cutler, Burak Yavuz, Calvin Jia, Carson Wang, Carsten Blank, Charles Yeh, Cheng Hao, Cheng Lian, Chris Bannister, Chris Kang, Chris Snow, Christian Kadner, Christian Kurz, Chuan Shao, Cody Koeninger, DB Tsai, Daniel Imfeld, Daniel Jalova, Daoyuan Wang, David Tolpin, Davies Liu, Deming Zhu, Dennis Huo, Derek Dagit, Dilip Biswal, Dmitry Vasilets, Dominik Dahlem, Edoardo Vacchi, Ehsan M.Kermani, Eric Liang, Erick Tryzelaar, Erik Shilts, Eugen Cepoi, Evan Chen, Ewan Leith, Fazlan Nazeem, Fei Wang, Felix Bechstein, Felix Cheung, Feynman Liang, Forest Fang, Frank Rosner, Gabor Liptak, Gaurav Kumar, Glenn Weidner, Greg Lee, Hari Shreedharan, Herman Van Hovell, Holden Karau, Hossein Falaki, Huang Zhaowei, Huaxin Gao, Hurshal Patel, Hyukjin Kwon, Ilya Ganelin, Imran Rashid, Iulian Dragos, Jacek Laskowski, Jacek Lewandowski, Jacker Hu, Jackie MaKing, Jaehong Choi, Jakob Odersky, Jason White, Jayant Shekar, Jean Lyn, Jean-Baptiste Onofre, Jeff Zhang, Jeffrey Naisbitt, Jeroen Schot, JiGao FuJia Li, Jian Feng Zhang, Jie Hu, Jie Huang, Jihong MA, Joseph K. Bradley, Josh Rosen, Josiah Samuel, Jungtaek Lim, Kai Jiang, Kai Jiang, Kai Sasaki, Kai Xin Xiao Lei, Kay Ousterhout, Kent Yao, Kevin Cox, Kevin Yu, Koert Kuipers, Kousuke Saruta, Lex Yu, Liang-Chi Hsieh, Lianhui Wang, Luc Bourlier, Luciano Resende, Lukasz Piepiora, Luvsandondov Lkhamsuren, Maciej Szymkiewicz, Madhusudanan Kandasamy, Mahmoud Lababidi, Manoj Kumar, Marcelo Vanzin, Marius Van Niekerk, Mark Grover, Mark Hamstra, Matei Zaharia, Matt Hagen, Matt Massie, Matthew Cheah, Meihua Wu, Michael Armbrust, Michael Gummelt, Mike Dusenberry, Mikhail Bautin, Mingyu Kim, Monica Liu, Mortada Mehyar, Nakul Jindal, Nan ZhuNarine Kokhlikyan, Nathan Howell, Naveen Kumar Minchu, Navis Ryu, Neelesh Srinivas Salian, Nicholas Chammas, Nick Buroojy, Nick Evans, Nick Pritchard, Nishkam Ravi, Nithin Asokan, Nitin Goyal, Noel Smith, Nong Li, Oscar D. Lara Yejas, Pat Shields, Patrick Wendell, Pete Robbins, Philipp Hoffmann, Prashant Sharma, Pravin Gadakh, R. H., Ram Sriharsha, Rekha Joshi, Rerngvit Yanggratoke, Reynold Xin, Reza Zadeh, Rick Hillegas, Rishabh Bhardwaj, Robin East, Rohit Agarwal, Roy Gao, Ryan Williams, Sachin Aggarwal, Saisai Shao, Sean Owen, Sean Paradiso, Sem Mulder, Sephiroth Lin, Seth Hendrickson, Shagun Sodhani, Shimizu Yoshihiro, Shivaram Venkataraman, Shixiong Zhu, Somil Deshmukh, Srinivasa Reddy Vundela, Stephen De Gennaro, Stephen Hellberg, Stephen Hopper, Stephen Samuel, Steve Loughran, Su Yan, Sun Rui, Suresh Thalamati, Takahashi Hiroshi, Takeshi Yamamuro, Tarek Auel, Tathagata Das, Ted Yu, Teng Qiu, Thomas Graves, Tijo Thomas, Timothy Chen, Timothy Hunter, Tingjun Xu, Todd Wan, Tom Graves, Travis Hegner, Trystan Leftwich, Uncle Gen, Vikas Nelamangala, Vinod KC, Vladimir Vladimirov, Vyacheslav Baranov, Wang Tao, Weiqiang Zhuang, Wenchen Fan, Wenjian Huang, Wieland Hoffmann, Wojciech Indyk, Xiangrui Meng, Xiao LiXin Ren, Xin Wu, Xiu Guo, Xusen Yin, Yadong Qi, Yanbo Liang, Yangping Wu, Yash Datta, Yijie Shen, Yin Huai, Yongjia Wang, Yu Gao, Yu ISHIKAWA, Yuhao Yang, Yuming Wang, Yves Raimond, Zee Chen, Zhenhua Wang, Zhichao Li, Zhongshuai Pei, Zhuo Liu


Spark 新闻存档