阿里云E-MapReduce产品构建于阿里云云服务器ECS上，基于开源的Apache Hadoop和Apache Spark，做了大量优化。本文为您介绍E-MapReduce（简称EMR）Spark相对开源增强的功能。
背景信息
阿里云EMR 100%采用社区开源组件，随开源版本升级迭代，基于开源组件，优化和增强阿里云部署环境。
功能增强
Spark针对开源功能增强的功能如下表。
EMR-5.x系列
EMR版本 | 组件版本 | 功能增强 |
EMR-5.17.0 | Spark 3.4.2 | Spark3升级至3.4.2版本。 |
EMR-5.16.0 | Spark 3.3.1 | 修复了Commons Text漏洞。 |
EMR-5.15.1 | Spark 3.3.1 | 移除了hive-site.xml中与jdo相关的配置。 |
EMR-5.12.1 | Spark 3.3.1 | |
EMR-5.10.0 | Spark 3.3.1 | 升级至3.3.1版本。 |
EMR-5.9.0 | Spark 3.3.0 | 升级至3.3版本。 支持开启Kerberos身份认证。
|
EMR-5.8.0 | Spark 3.2.1 | 支持一键对接LDAP。 |
EMR-5.6.0 | Spark 3.2.1 | 升级至3.2.1版本。 |
EMR-5.5.0 | Spark 3.2.0 | COUNT DISTINCT函数支持IF语句以及优化Case when的用法。 设置参数spark.sql.optimizer.rewriteConditionalDistinctAggregates为true。 Shuffle Hash Join支持fallback到Sort Merge Join。 设置参数spark.sql.join.preferSortMergeJoin为false，设置参数spark.sql.join.enableShuffledHashJoinFallback为true。 支持非动态分区自动合并小文件。 设置spark.sql.adaptive.merge.output.small.files.enabled参数为true。 GroupingSet以及Distinct等场景会自动调整并发度。 设置参数spark.sql.execution.optimizeExpand为true。 优化了Hive on Spark。 支持Time Travel语法。 适配JindoSDK。
|
EMR-5.4.0 | Spark 3.1.2 | |
EMR-5.3.0 | Spark 3.1.1 | 修复了与Delta Lake兼容性的问题。 |
EMR-5.2.1 | Spark 3.1.1 |
重要 EMR-5.2.1版本的Spark（3.1.1）与Kudu（1.11.1）不兼容。 支持数据湖格式Delta Lake和Hudi。 支持Remote Shuffle Service。 支持Livy 。 优化E-MapReduce控制台上，Spark服务配置页面的spark-defaults页签的配置项名称。 优化CBO（Cost-Based Optimization）、DPP（DynamicPartitionPruning）以及Z-Order等功能，性能比开源Spark 3版本提升50%。 支持阿里云Log Service、DataHub和消息队列RocketMQ版（简称ONS）等数据源。
|
EMR-4.x系列
EMR版本 | 组件版本 | 功能增强 |
EMR-4.10.0 | Spark 2.4.8 | 升级至2.4.8版本。 修复了Adaptive Execution部分场景无法生效的问题。 修复了统计聚合函数行为和Hive不一致的问题。 修复了读取Hive ORC表char类型数据正确性问题。 优化了Thriftserver的默认配置。 优化E-MapReduce控制台上，Spark服务配置页面的spark-defaults页签的配置项名称。 优化了Hive on Spark。 修复了AQE在Stats缺失情况下数组越界的问题。 修复了AQE和Cache在特定场景下报错的问题。 移除了无效配置Log4j MetricsAppender。 修复了SparkContext启动过程中空指针异常的问题。 支持ZSTD（Zstandard）压缩格式。
|
EMR-4.9.0 | Spark 2.4.7 | |
EMR-4.8.0 | Spark 2.4.7 | 优化了部分默认配置。 性能优化：支持Window TopK下推。 增强Hive读写CSV或JSON表的兼容性。 ANALYZE语句支持省略全表列名。 支持一键开启或关闭LDAP功能。 改进Spark Beeline工具的易用性。
|
EMR-4.6.0 | Spark 2.4.7 | |
EMR-4.5.0 | Spark 2.4.5 | 支持数据湖构建（DLF）元数据。 |
EMR-4.3.0 | Spark 2.4.5 | |
EMR-3.x系列
EMR版本 | 组件版本 | 功能增强 |
EMR-3.51.0 | Spark 3.4.2 | Spark3升级至3.4.2版本。 |
EMR-3.50.0 | Spark 3.3.1 | 修复了Commons Text漏洞。 |
EMR-3.49.0 | Spark 3.3.1 | 移除了hive-site.xml中与jdo相关的配置。 |
EMR-3.46.1 | Spark 3.3.1 | |
EMR-3.44.0 | Spark 3.3.1 | 升级至3.3.1版本。 |
EMR-3.43.0 | Spark 3.3.0 | 升级至3.3版本。 支持开启Kerberos身份认证。
|
EMR-3.40.0 | Spark 3.2.1 | 升级至3.2.1版本。 |
EMR-3.39.1 | Spark 2.4.8 | 优化了Hive on Spark。 适配JindoSDK。
|
EMR-3.38.1 | Spark 2.4.8 | |
EMR-3.38.0 | Spark 2.4.8 | 升级Spark至2.4.8版本。 同时支持Spark 2.4.8和Spark 3.1.2。
说明 Spark3暂不支持Delta和Remote Shuffle Service。 Spark 3.x系列，SparkSQL优化了Distinct计算性能，即当聚合算子中包含多个count(distinct case ... when ...)时会触发优化功能。 修复了AQE在Stats缺失情况下数组越界的问题。 修复了AQE和Cache在特定场景下报错的问题。
|
EMR-3.37.0 | Spark 2.4.7 | 修复了与Delta Lake兼容性的问题。 |
EMR-3.36.1 | Spark 2.4.7 | |
EMR-3.35.0 | Spark 2.4.7 | - 修复Adaptive Execution部分场景无法生效的问题。
- 修复统计聚合函数行为和Hive不一致的问题。
- 修复读取Hive ORC表char类型数据正确性的问题。
|
EMR-3.34.0 | Spark 2.4.7 | - 优化了部分默认配置。
- 性能优化：支持Window TopK下推。
- 增强Hive读写CSV或JSON表的兼容性。
- ANALYZE语句支持省略全表列名。
- 支持一键开启或关闭LDAP功能。
- 改进Spark Beeline工具的易用性。
|
EMR-3.33.0 | Spark 2.4.7 | - 升级至2.4.7版本。
- 升级jQuery至3.5.1版本。
- 兼容Hive方式，自动更新表和分区大小。
- 支持Spark元数据和作业运行信息输出至DataWorks。
|
EMR-3.32.0 | Spark 2.4.5 | JindoTable支持打开或关闭数据采集功能。 |
EMR-3.30.0 | Spark 2.4.5 | - 支持阿里云DLF（Data Lake Formation）元数据。
- 升级HAS依赖至2.0.1。
- 修复Streaming SQL反引号问题。
- 移除Delta的JAR包，修改为Delta单独部署。
- 修改日志路径统一写至HDFS下。
|
EMR-3.29.0 | Spark 2.4.5 | - Spark升级至2.4.5.2.0。
- 支持第三方Metastore的功能。
- 增加datalake metastore-client。
|
EMR-3.28.0 | Spark 2.4.5 |
- 升级至2.4.5版本。
- 兼容DataFactory的streaming-sql脚本。
- 支持Delta 0.6.0版本。
|
EMR-3.27.0 | Spark 2.4.3 |
- CUBE中支持日期类型分区字段。
- 调大Spark-Submit的stack深度。
|
EMR-3.25.0 | Spark 2.4.3 |
- 支持在控制台配置
spark.sql.extensions等Delta相关参数。
- 支持Hive读取Delta table，避免set inputformat。
- 支持ALTER TABLE SET TBLPROPERTIES和UNSET TBLPROPERTIES语句。
|
EMR-3.24.0 | Spark 2.4.3 |
- 增加Delta相关参数支持。
- 增加对Ranger spark plugin配置的支持。
- JindoCube升级到0.3.0版本。
|
EMR-3.23.0 | Spark 2.4.3 | - 更新spark thriftserver，解决class loader问题。
- 重构spark事务相关代码，提升稳定性。
- 解决升builtin hive至2.3版本后orc格式读写问题。
- 支持merge into语法。
- 支持scan和stream语法。
- Structured Streaming Kafka sink支持EOS。
- delta更新至0.4.0。
|
EMR-3.22.0 | Spark 2.4.3 | - Relational Cache
支持Relational Cache，Relational Cache通过预计算加速用户查询。用户可以创建Relational Cache对数据进行预计算，在执行用户查询时，Spark Optimizer自动发现合适的Cache，并改写SQL执行计划，基于Cache的数据继续计算，从而提升查询速度，适用于报表、Dashboard、数据同步和多维分析等场景。 - 通过DDL，进行CACHE、UNCACHE、ALTER、SHOW等操作，Cache的数据支持Spark的所有数据源和数据格式。
- 支持自动的Cache数据更新以及通过REFRESH命令更新Cache数据，支持基于分区的增量更新。
- 支持基于Relational Cache的执行计划优化。
- Streaming SQL
- 规范Stream Query Writer的参数配置。
- 优化Kafka数据表Schema兼容性检查。
- Kafka数据表Schema不存在时自动创建到SchemaRegistry。
- 优化Kafka Schema不兼容时的日志信息。
- 修复查询结果写Kafka表时必须显式指定列名的问题。
- 去掉流式SQL查询只支持Kafka和Loghub数据输入源的限制。
- Delta
新增Delta，用户可使用Spark创建Delta datasource，以支持流式数据写入、事务性读写、数据校验和数据回溯等应用场景。详情请参见Delta详细信息。 - 支持使用DataFrame API从Delta读取数据或者写入数据到Delta。
- 支持使用Stuctured Streaming API以Delta作为source或者sink进行数据的读或写。
- 支持使用Delta API对数据进行update、delete、merge、vaccum、optimize等操作。
- 支持使用SQL创建基于Delta的表、导入数据到Delta和读取Delta表等操作。
- Others
- constraint feature，支持主键和外键。
- 解决servlet等jar冲突问题。
|