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 auf Spark 3.5.4.

Spark-native Fine-Grained Access Control (FGAC) 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 detaillierte Zugriffskontrolle.

Beachten Sie die folgenden Überlegungen oder Einschränkungen für Spark-native 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) wurde 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.

Support für die Installation zusätzlicher Python-Bibliotheken mitrequirements.txt. Weitere Informationen finden Sie unter Installation zusätzlicher Python-Bibliotheken in AWS Glue 5.0 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):

Konnektor- 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. Weitere Informationen finden Sie unter Aufträge.

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 for Java v1 zu v2, finden Sie im Handbuch AWS SDK for 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 führen, z. B. zu Timeout-Fehlern beim S3-Upload, insbesondere bei VPC-Jobs. Um die durch diese Änderung verursachten Probleme zu beheben, legen Sie die Spark-Konfiguration `fs.s3a.endpoint.region` fest, wenn Sie das S3A-Dateisystem in 5.0 verwenden. AWS Glue

Feinkörnige Zugangskontrolle (FGAC) von Lake Formation

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 error Protokollgruppe.

Der AWS Glue Job Run Insights job-insights-rule-driver ist veraltet. Der job-insights-rca-driver Protokollstream 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).

Implementieren Sie die Unterstützung für DEFAULT-Werte für Spalten in Tabellen (SPARK-38334).

Support „Lateral Column Alias References“ (SPARK-27561).

Versichern Sie die Verwendung von SQLSTATE für Fehlerklassen (SPARK-41994).

Aktivieren Sie standardmäßig den Bloom-Filter Joins (SPARK-38841).

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

Asynchrone Fortschrittsverfolgung beim strukturierten Streaming (SPARK-39591).

Beliebige zustandsbehaftete Python-Verarbeitung in strukturiertem Streaming (SPARK-40434).

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

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

Implementieren Sie PyTorch den Verteiler (SPARK-41589).

Veröffentlichen Sie SBOM-Artefakte (SPARK-41893).

IPv6Nur-Unterstützungsumgebung (SPARK-39457).

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

Unterstützung für Scala- und Go-Clients 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.

Support benutzerdefinierte Tabellenfunktionen in Python (SPARK-43798).

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

PySpark Testframework (SPARK-44042).

Unterstützung für HllSketch Datasketches hinzugefügt (SPARK-16484).

Integrierte Verbesserung der SQL-Funktionen (SPARK-41231).

IDENTIFIER-Klausel (SPARK-43205).

Fügen Sie SQL-Funktionen zur Scala-, Python- und R-API hinzu (SPARK-43907).

Fügen Sie Unterstützung für benannte Argumente für SQL-Funktionen hinzu (SPARK-43922).

Vermeiden Sie unnötige Wiederholungen von Aufgaben auf dem außer Betrieb genommenen Executor, der verloren geht, wenn Shuffle-Daten migriert werden (SPARK-41469).

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

DeepSpeed Verteiler (SPARK-44264).

Implementieren Sie das Changelog-Checkpointing für den RocksDB-Statusspeicher (SPARK-43421).

Führen Sie die Ausbreitung von Wasserzeichen zwischen Operatoren ein (SPARK-42376).

Führen Sie Watermark dropDuplicatesWithin (SPARK-42931) ein.

Verbesserungen der Speicherverwaltung für den RocksDB State Store Provider (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 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] Aktualisieren Sie AWS SDK-Aufrufe von Version 1 auf Version 2

Migration von Python 3.10 nach 3.11

[Python] Aktualisieren Sie die Boto-Referenzen von 1.26 auf 1.34

Katalog — Ein logischer Container, der Objekte aus einem Datenspeicher enthält, z. B. Schemas oder Tabellen.

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

Tabellen und Ansichten — Datenobjekte in einer Datenbank, die eine Abstraktionsebene mit einem verständlichen Schema bieten. 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 werden, können zu widersprüchlichen Abhängigkeiten führen, da es Upgrades in mehreren Abhängigkeiten gab. Sie können Klassenpfadkonflikte mit dem Job-Parameter vermeiden. --user-jars-first

Änderungen am Verhalten von loading/saving 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 Aufgabenparallelität anpassen, indem Sie das Job-Argument übergeben. --executor-cores

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

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

Sie können die Namen der Protokollgruppe oder des Protokolldatenstroms nicht mehr mithilfe der entfernten Argumente 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 Gruppen /aws-glue/jobs/error und /aws-glue/jobs/output Logs anzugeben.

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

Zu den Validierungsregeln und Einschränkungen für benutzerdefinierte Präfixe gehören:

––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: Upgrades im Open-Table-Format

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

Korrigiert die Zuordnung von Spark ShortType dahingehend, dass Redshift verwendet wird, SMALLINT anstatt der erwarteten Datengröße besser gerecht INTEGER zu werden.

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

Support den Index auf Rekordniveau.

Support auto Generierung von Datensatzschlüsseln. Jetzt müssen Sie das Datensatzschlüsselfeld nicht mehr angeben.

Support Sie eine feinkörnige Zugriffskontrolle mit. AWS Lake Formation

Support Branching und Tagging, bei denen es sich um benannte Verweise auf Snapshots mit eigenen unabhängigen Lebenszyklen handelt.

Es wurde eine Changelog-Ansichtsprozedur hinzugefügt, die eine Ansicht generiert, die die Änderungen enthält, die in einem bestimmten Zeitraum oder zwischen bestimmten Snapshots an einer Tabelle vorgenommen wurden.

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 eine Verschlüsselung benötigt, wird das Zertifikat anhand der trustServerCertificate Verbindungseinstellung validiert.

aadSecurePrincipalIdund aadSecurePrincipalSecret veraltet.

getAADSecretPrincipalIdAPI wurde entfernt.

CNAME-Auflösung hinzugefügt, wenn Realm angegeben ist.

Support für den Micro-Batch-Modus mit Spark Structured Streaming.

Support für BSON-Datentypen.

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

Es wurde ein neuer trim_space Parameter 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 der Verwendung von OAUTH wurde entfernt.

Die Funktion Advanced Query Pushdown wurde entfernt. Alternativen zu dieser Funktion sind verfügbar. Anstatt beispielsweise Daten aus Snowflake-Tabellen zu laden, können Benutzer Daten direkt aus Snowflake-SQL-Abfragen laden.