Migration AWS Glue für Spark-Jobs auf AWS Glue Version 5.0

Apache Spark-Update von 3.3.0 in AWS Glue 4.0 auf 3.5.4 in AWS Glue 5.0. Siehe Wesentliche Verbesserungen von Spark 3.3.0 zu Spark 3.5.4.

Native differenzierte Zugriffskontrolle (FGAC) von Spark mit Lake Formation. Dazu gehört FGAC für Iceberg-, Delta- und Hudi-Tabellen. Weitere Informationen finden Sie unter Verwenden von AWS Glue with AWS Lake Formation für eine differenzierte Zugriffskontrolle.

Beachten Sie die folgenden Überlegungen oder Einschränkungen für Spark-natives FGAC:

Eine vollständige Liste der Einschränkungen und Überlegungen bei der Verwendung von Spark-nativem FGAC finden Sie unter Überlegungen und Einschränkungen.

Support für Amazon S3 Access Grants als skalierbare Zugriffskontrolllösung für Ihre Amazon S3 S3-Daten von AWS Glue. Weitere Informationen finden Sie unter Verwenden von Amazon S3 Access Grants mit AWS Glue.

Open Table Formats (OTF) wurden auf Hudi 0.15.0, Iceberg 1.7.1 und Delta Lake 3.3.0 aktualisiert.

Unterstützung für Amazon SageMaker Unified Studio.

Amazon SageMaker Lakehouse und Integration der Datenabstraktion. Weitere Informationen finden Sie unter Abfragen von Metastore-Datenkatalogen über ETL AWS Glue.

Unterstützung für die Installation zusätzlicher Python-Bibliotheken mithilfe von requirements.txt. Weitere Informationen finden Sie unter Installation zusätzlicher Python-Bibliotheken in AWS Glue 5.0 oder höher mit requirements.txt.

AWS Glue 5.0 unterstützt Data Lineage in Amazon DataZone. Sie können so konfigurieren AWS Glue , dass während der Ausführung von Spark-Jobs automatisch Herkunftsinformationen gesammelt und die Herkunftsereignisse zur Visualisierung in Amazon gesendet werden. DataZone Weitere Informationen finden Sie unter Data Lineage in Amazon DataZone.

Um dies in der AWS Glue Konsole zu konfigurieren, aktivieren Sie Generate Lineage Events und geben Sie Ihre DataZone Amazon-Domain-ID auf der Registerkarte Jobdetails ein.

Alternativ können Sie den folgenden Job-Parameter angeben (geben Sie Ihre DataZone Domain-ID an):

Connector- und JDBC-Treiber-Updates. Weitere Informationen erhalten Sie unter Anhang B: Aktualisierungen von JDBC-Treibern und Anhang C: Konnektor-Upgrades.

Java-Update von 8 auf 17.

Erhöhung des Speicherplatzes für G.2X Mitarbeiter AWS Glue G.1X und Erhöhung des Festplattenspeichers auf 94 GB bzw. 138 GB Darüber hinaus sind neue Worker-Typen und speicheroptimierte G.12XG.16X,R.1X, R.2XR.4X, in AWS Glue Version 4.0 und R.8X späteren Versionen verfügbar. Weitere Informationen finden Sie unter Jobs.

Jobs, die AWS SDK for Java, Version AWS Glue 2-5.0 Support, können die Java-Versionen 1.12.569 oder 2.28.8 verwenden, wenn der Job v2 unterstützt. Das AWS SDK for Java 2.x ist eine umfassende Neufassung der Codebasis von Version 1.x. Sie basiert auf Java 8+ und fügt mehrere häufig angeforderte Funktionen hinzu. Dies umfasst die Unterstützung von blockierungsfreiem E/A und die Möglichkeit, zur Laufzeit eine andere HTTP-Implementierung einzubinden. Weitere Informationen, einschließlich eines Migrationshandbuchs von SDK für Java v1 zu v2, finden Sie im Handbuch AWS SDK für Java, Version 2.

Wenn in AWS Glue 5.0 das S3A-Dateisystem verwendet wird und sowohl `fs.s3a.endpoint` als auch `fs.s3a.endpoint.region` nicht gesetzt sind, ist die von S3A verwendete Standardregion `us-east-2`. Dies kann zu Problemen wie Timeout-Fehlern beim S3-Upload führen, insbesondere bei VPC-Aufträgen. Um die durch diese Änderung verursachten Probleme zu beheben, legen Sie die Spark-Konfiguration `fs.s3a.endpoint.region` fest, wenn Sie das AWS Glue S3A-Dateisystem in 5.0 verwenden.

Differenzierte Zugriffskontrolle von Lake Formation (FGAC)

Lake Formation – vollständiger Tabellenzugriff (FTA)

Der vektorisierte SIMD-CSV-Reader wird nicht unterstützt.

Die kontinuierliche Protokollierung in der Ausgabeprotokollgruppe wird nicht unterstützt. Verwenden Sie stattdessen die Protokollgruppe error.

Der AWS Glue Job Run Insights job-insights-rule-driver ist veraltet. Der Protokollstream job-insights-rca-driver befindet sich jetzt in der Fehlerprotokollgruppe.

Athena-basierte custom/marketplace Konnektoren werden nicht unterstützt.

Adobe Marketo Engage, Facebook Ads, Google Ads, Google Analytics 4, Google Sheets, Hubspot, Instagram Ads, Intercom, Jira Cloud, Oracle, Salesforce, Salesforce Marketing Cloud NetSuite, Salesforce Marketing Cloud Account Engagement, SAP,, Slack, Snapchat Ads, Stripe OData ServiceNow, Zendesk und Zoho CRM Connectors werden nicht unterstützt.

Benutzerdefinierte log4j-Eigenschaften werden in 5.0 nicht unterstützt. AWS Glue

Python-Client für Spark Connect (SPARK-39375).

Implementierung der Unterstützung von STANDARD-Werten für Spalten in Tabellen (SPARK-38334).

Unterstützung von „lateralen Alias-Referenz in Spalten“ (SPARK-27561).

Hardening der SQLSTATE-Nutzung für Fehlerklassen (SPARK-41994).

Standardmäßige Aktivierung von Bloom-Filter-Joins (SPARK-38841).

Verbesserte Skalierbarkeit der Spark-Benutzeroberfläche und Treiberstabilität für große Anwendungen (SPARK-41053).

Asynchrone Fortschrittsverfolgung beim strukturierten Streaming (SPARK-39591).

Beliebige zustandsbehaftete Python-Verarbeitung beim strukturierten Streaming (SPARK-40434).

Verbesserungen der Pandas-API-Abdeckung (SPARK-42882) und NumPy Eingabeunterstützung in (SPARK-39405). PySpark

Stellen Sie einen Speicherprofiler für benutzerdefinierte Funktionen bereit (SPARK-40281). PySpark

Implementieren Sie PyTorch den Verteiler (SPARK-41589).

Veröffentlichung von SBOM-Artefakten (SPARK-41893).

IPv6Nur-Unterstützungsumgebung (SPARK-39457).

Kundenspezifischer K8s-Scheduler (Apache YuniKorn und Volcano) GA (SPARK-42802).

Scala- und Go-Client-Unterstützung in Spark Connect (SPARK-42554) und (SPARK-43351).

PyTorchbasierte verteilte ML-Unterstützung für Spark Connect (SPARK-42471).

Strukturierte Streaming-Unterstützung für Spark Connect in Python und Scala (SPARK-42938).

Pandas-API-Unterstützung für den Python Spark Connect Client (SPARK-42497).

Stellen Sie Arrow Python UDFs (SPARK-40307) vor.

Unterstützung benutzerdefinierter Python-Tabellenfunktionen (SPARK-43798).

Migrieren Sie PySpark Fehler auf Fehlerklassen (SPARK-42986).

PySpark Testframework (SPARK-44042).

Unterstützung für HllSketch Datasketches hinzugefügt (SPARK-16484).

Verbesserung der integrierten SQL-Funktion (SPARK-41231).

IDENTIFIER-Klausel (SPARK-43205).

Integration von SQL-Funktionen in Scala, Python und R API (SPARK-43907).

Unterstützung für benannte Argumente für SQL-Funktionen hinzugefügt (SPARK-43922).

Vermeidung unnötiger Aufgabenwiederholungen auf stillgelegten Executors, die bei der Migration von Shuffle-Daten verloren gehen (SPARK-41469).

Verteiltes ML <> Spark Connect (SPARK-42471).

DeepSpeed Verteiler (SPARK-44264).

Implementierung von Changelog-Checkpoints für den RocksDB-State-Store (SPARK-43421).

Einführung der Wasserzeichen-Weitergabe zwischen Operatoren (SPARK-42376).

Führen Sie dropDuplicatesWithin Watermark (SPARK-42931) ein.

Verbesserungen der Speicherverwaltung des Providers für RocksDB-State-Store (SPARK-43311).

Wählen Sie in AWS Glue Studio Glue 5.0 - Supports Spark 3.5.4, Scala 2, Python 3 inGlue version.

Wählen Sie in der API 5.0 im GlueVersion-Parameter in der UpdateJob-API-Operation aus.

Wählen Sie in der Konsole Spark 3.5.4, Python 3 (Glue Version 5.0) or Spark 3.5.4, Scala 2 (Glue Version 5.0) in der Glue version aus.

Wählen Sie in AWS Glue Studio die Option Glue 5.0 - Supports Spark 3.5.4, Scala 2, Python 3 InGlue version.

Wählen Sie in der API 5.0 im GlueVersion-Parameter in der CreateJob-API-Operation aus.

Java-17-Aktualisierungen

[Scala] Führen Sie ein Upgrade von AWS SDK-Aufrufen von Version 1 auf Version 2 durch

Migration von Python 3.10 auf 3.11

[Python] Aktualisierung der Boto-Referenzen von 1.26 auf 1.34

Katalog: Ein logischer Container, der Objekte aus einem Datenspeicher wie Schemata oder Tabellen enthält.

Datenbank: Organisiert Datenobjekte wie Tabellen und Ansichten in einem Katalog.

Tabellen und Ansichten: Datenobjekte in einer Datenbank, die eine Abstraktionsschicht mit einem verständlichen Schema bereitstellen. Sie erleichtern den Zugriff auf zugrunde liegende Daten, die in verschiedenen Formaten und an verschiedenen Orten vorliegen können.

--enable-lakeformation-fine-grained-access: Aktiviert die FGAC-Funktion (Fine-Grained Access Control) in AWS Lake Formation-Tabellen.

Migrationshandbuch: Spark Core

Migrationshandbuch: SQL, Datensätze und DataFrame

Migrationshandbuch: Strukturiertes Streaming

Wird upgegradet PySpark

Alle bestehenden Jobparameter und Hauptfunktionen, die in AWS Glue 2.0 vorhanden sind, werden auch in AWS Glue 5.0 verfügbar sein, mit Ausnahme von Transformationen für maschinelles Lernen.

Einige Spark-Änderungen allein erfordern möglicherweise eine Überarbeitung Ihrer Skripte, um sicherzustellen, dass entfernte Features nicht referenziert werden. Zum Beispiel aktiviert Spark 3.1.1 und höher Scala-untyped nicht, UDFs aber Spark 2.4 erlaubt sie.

Python 2.7 wird nicht unterstützt.

Alle zusätzlichen Jar-Dateien, die in bestehenden AWS Glue 2.0-Jobs bereitgestellt wurden, können zu widersprüchlichen Abhängigkeiten führen, da es Upgrades in mehreren Abhängigkeiten gab. Sie können Klassenpfadkonflikte mit dem --user-jars-first-Auftragsparameter vermeiden.

Änderungen am Verhalten loading/saving von Parquet-Dateien mit Zeitstempel from/to . Weitere Informationen finden Sie unter Upgrade von Spark SQL 3.0 auf 3.1.

Unterschiedliche Parallelität der Spark-Tasks für die Konfiguration. driver/executor Sie können die Parallelität von Aufgaben anpassen, indem Sie das Auftragsargument --executor-cores übergeben.

Alle Protokolle (Systemprotokolle, Spark-Daemon-Protokolle, Benutzerprotokolle und Glue-Logger-Protokolle) werden nun standardmäßig in die /aws-glue/jobs/error-Protokollgruppe geschrieben.

Die in früheren Versionen für die kontinuierliche Protokollierung verwendete /aws-glue/jobs/logs-v2-Protokollgruppe wird nicht mehr verwendet.

Sie können die Namen der Protokollgruppen oder Protokollstreams nicht mehr mit den entfernten Argumenten für die kontinuierliche Protokollierung umbenennen oder anpassen. Sehen Sie sich stattdessen die neuen Job-Argumente in AWS Glue 5.0 an.

––custom-logGroup-prefix: Ermöglicht es Ihnen, ein benutzerdefiniertes Präfix für die Protokollgruppen /aws-glue/jobs/error und /aws-glue/jobs/output anzugeben.

––custom-logStream-prefix: Ermöglicht es Ihnen, ein benutzerdefiniertes Präfix für die Namen der Protokollstreams innerhalb der Protokollgruppen anzugeben.

Zu den Validierungsregeln und Einschränkungen für benutzerdefinierte Präfixe gehört Folgendes:

––enable-continuous-cloudwatch-log

––continuous-log-logGroup

––continuous-log-logStreamPrefix

––continuous-log-conversionPattern

––enable-continuous-log-filter

Anhang B: Aktualisierungen von JDBC-Treibern

Anhang C: Konnektor-Upgrades

Anhang D: Verbesserungen des Open-Table-Formats

Integriert die Unterstützung für dreiteilige Tabellennamen, damit der Connector Redshift-Datenfreigabetabellen abfragen kann.

Korrigiert die Zuordnung von Spark ShortType, um Redshift SMALLINT anstelle von INTEGER zu verwenden, um die erwartete Datengröße besser anzupassen.

Unterstützung für benutzerdefinierte Clusternamen (CNAME) für Amazon Redshift Serverless hinzugefügt.

Unterstützung für Indexierung auf Datensatzebene.

Unterstützung für die automatische Generierung von Datensatzschlüsseln. Sie müssen das Datensatzschlüsselfeld jetzt nicht mehr angeben.

Support Sie eine feinkörnige Zugriffskontrolle mit. AWS Lake Formation

Unterstützt Verzweigen und Markieren, d. h. benannte Verweise auf Snapshots mit eigenen, unabhängigen Lebenszyklen.

Ein neues Verfahren zur Änderungsprotokollansicht generiert eine Ansicht, die die Änderungen an einer Tabelle über einen bestimmten Zeitraum oder zwischen bestimmten Snapshots enthält.

Support Delta Universal Format (UniForm), das einen nahtlosen Zugriff über Apache Iceberg und Apache Hudi ermöglicht.

Support Löschvektoren, die ein Merge-on-Read Paradigma implementieren.

Unterstützung für hierarchische Partitionsschlüssel hinzugefügt.

Option hinzugefügt, um ein benutzerdefiniertes Schema mit StringType (rohes JSON) für eine verschachtelte Eigenschaft zu verwenden.

Es wurde eine Konfigurationsoption hinzugefügtspark.cosmos.auth.aad.clientCertPemBase64, um die Verwendung der SPN-Authentifizierung (ServicePrincipal Name) mit Zertifikat anstelle des geheimen Client-Schlüssels zu ermöglichen.

Die TLS-Verschlüsselung ist standardmäßig aktiviert.

Wenn encrypt = false ist, der Server aber Verschlüsselung erfordert, wird das Zertifikat basierend auf der trustServerCertificate-Verbindungseinstellung validiert.

aadSecurePrincipalId und aadSecurePrincipalSecret sind veraltet.

Die getAADSecretPrincipalId-API wurde entfernt.

CNAME-Auflösung hinzugefügt, wenn Realm angegeben ist.

Unterstützung für Micro-Batch-Modus mit strukturiertem Spark-Streaming.

Unterstützung für BSON-Datentypen.

Unterstützung für das Lesen mehrerer Sammlungen im Micro-Batch- oder kontinuierlichen Streaming-Modus hinzugefügt.

Ein neuer trim_space-Parameter wurde eingeführt, mit dem Sie Werte von StringType-Spalten beim Speichern in einer Snowflake-Tabelle automatisch kürzen können. Standard: false.

Der abort_detached_query-Parameter wurde standardmäßig auf Sitzungsebene deaktiviert.

Die Anforderung des SFUSER-Parameters bei Verwendung von OAUTH wurde entfernt.

Das Feature „Erweiterter Abfrage-Pushdown“ wurde entfernt. Es sind Alternativen zu diesem Feature verfügbar. Anstatt Daten aus Snowflake-Tabellen zu laden, können Benutzer beispielsweise Daten direkt aus Snowflake-SQL-Abfragen laden.