Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Caution
Azure Synapse Runtime för Apache Spark 3.4 nådde slutet av stödet den 31 mars 2026. Även om befintliga arbetsbelastningar kan fortsätta köras under en begränsad period efter detta datum, stöds inte längre körtiden och får inte längre buggfixar, säkerhetsuppdateringar eller sårbarhetsåtgärder. Som ett resultat utsätts arbetsbelastningar som körs på Spark 3.4 för ökande operativa och säkerhetsrisker över tid.
Dessutom kommer den stegvisa avstängningen av Spark 3.4-jobb att börja inom kort, och det finns ingen garanti för att Spark 3.4-arbetsbelastningar kommer att fortsätta köras i framtiden. För att minimera störningar och stanna kvar på en stödd plattform rekommenderar vi starkt att du uppgraderar dina Apache Spark 3.4-baserade arbetsbelastningar till Azure Synapse Runtime för Apache Spark 3.5 (GA) så snart som möjligt.
Azure Synapse Analytics stöder flera körningar för Apache Spark. Det här dokumentet beskriver körningskomponenterna och versionerna för Azure Synapse Runtime för Apache Spark 3.4.
Komponentversioner
| Komponent | Utgåva |
|---|---|
| Apache Spark | 3.4.1 |
| Operativsystem | Mariner 2.0 |
| Java | 11 |
| Scala | 2.12.17 |
| Data Lake | 2.4.0 |
| python | 3,10 |
| R | 4.2.2 |
Dricks
För uppdaterad information, en detaljerad lista över ändringar och specifika viktig information för Spark-körningar, kontrollerar du och prenumererar på Spark Runtimes-versioner och -uppdateringar.
Bibliotek
Om du vill kontrollera biblioteken som ingår i Azure Synapse Runtime för Apache Spark 3.4 för Java/Scala går Python och R till Azure Synapse Runtime för Apache Spark 3.4-versioner.
Dricks
spark.memoryOverheadFactor.preferred: Om den sätts till true kommer Spark att prioritera spark.driver.memoryOverheadFactor och spark.executor.memoryOverheadFactor framför de explicita värden definierade av spark.driver.memoryOverhead och spark.executor.memoryOverhead. När den är aktiverad beräknas overheaden alltid med faktorn, och de explicita overheadinställningarna ignoreras. Standardvärdet är falskt för bakåtkompatibilitet.