Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Attenzione
Azure Synapse Runtime per Apache Spark 3.4 ha raggiunto la fine del supporto il 31 marzo 2026. Sebbene i carichi di lavoro esistenti possano continuare a funzionare per un periodo limitato oltre questa data, l'esecuzione non è più supportata e non riceve più correzioni di bug, aggiornamenti di sicurezza o correzioni di vulnerabilità. Di conseguenza, i carichi di lavoro che girano su Spark 3.4 sono esposti a rischi operativi e di sicurezza crescenti nel tempo.
Inoltre, la disattivazione graduale dei lavori di Spark 3.4 inizierà a breve e non vi è alcuna garanzia che i carichi di lavoro di Spark 3.4 continueranno a funzionare in futuro. Per minimizzare le interruzioni e rimanere su una piattaforma supportata, ti consigliamo vivamente di aggiornare il tuo carico di lavoro basato su Apache Spark 3.4 a Azure Synapse Runtime per Apache Spark 3.5 (GA) il prima possibile.
Azure Synapse Analytics supporta più runtime per Apache Spark. Questo documento illustra i componenti e le versioni di runtime per Azure Synapse Runtime per Apache Spark 3.4.
Versioni dei componenti
| Componente | Versione |
|---|---|
| Apache Spark | 3.4.1 |
| Sistema operativo | Mariner 2.0 |
| Giava | 11 |
| Linguaggio di programmazione Scala | 2.12.17 |
| Delta Lake | 2.4.0 |
| Pitone | 3.10 |
| R | 4.2.2 |
Suggerimento
Per informazioni aggiornate, un elenco dettagliato delle modifiche e specifiche note sulla versione per i runtime di Spark, controllare e sottoscrivere versioni e aggiornamenti di Spark Runtimes.
Librerie
Per controllare le librerie incluse in Azure Synapse Runtime per Apache Spark 3.4 per Java/Scala, Python e R, passare ad Azure Synapse Runtime for Apache Spark 3.4 Releases Notes (Note sulle versioni di Azure Synapse Runtime per Apache Spark 3.4).
Suggerimento
spark.memoryOverheadFactor.preferred: Se impostato su true, Spark darà priorità a spark.driver.memoryOverheadFactor e spark.executor.memoryOverheadFactor rispetto ai valori espliciti definiti da spark.driver.memoryOverhead e spark.executor.memoryOverhead. Quando attivato, l'overhead viene sempre calcolato usando il fattore e le impostazioni esplicite di overhead vengono ignorate. Il valore predefinito è falso per compatibilità retroattiva.