即将发布的 Apache Spark 2.4 都有哪些新功能

过往记忆大数据 过往记忆大数据
本文来自于2018年09月19日在 Adobe Systems Inc 举行的 Apache Spark Meetup。

即将发布的 Apache Spark 2.4 版本是 2.x 系列的第五个版本。 本文对 Apache Spark 2.4 的主要功能和增强功能进行了概述。

• 新的调度模型（Barrier Scheduling），使用户能够将分布式深度学习训练恰当地嵌入到 Spark 的 stage 中，以简化分布式训练工作流程。
• 添加了35个高阶函数，用于在 Spark SQL 中操作数组/map。
• 新增一个新的基于 Databricks 的 spark-avro 模块的原生 AVRO 数据源。
• PySpark 还为教学和可调试性的所有操作引入了热切的评估模式（eager evaluation mode）。
• Spark on K8S 支持 PySpark 和 R ，支持客户端模式（client-mode）。
• Structured Streaming 的各种增强功能。 例如，连续处理（continuous processing）中的有状态操作符。
• 内置数据源的各种性能改进。 例如，Parquet 嵌套模式修剪（schema pruning）。
• 支持 Scala 2.12。