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 è stato deprecato, con il supporto che termina il 31 marzo 2026. Anche se può continuare a essere eseguito per un periodo limitato oltre questa data, non è più supportato e non riceve correzioni di bug, aggiornamenti della sicurezza o patch di vulnerabilità. Se non si esegue l'aggiornamento, i carichi di lavoro in esecuzione in Azure Synapse Runtime per Apache Spark 3.4 continueranno a funzionare in un runtime non supportato. Questo aumenta sia i rischi operativi che di sicurezza, perché il runtime non riceverà più correzioni o aggiornamenti critici. È consigliabile aggiornare i carichi di lavoro basati su Apache Spark 3.4 a Azure Synapse Runtime per Apache Spark 3.5 (GA).
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.