Hinweis zur Außerdienststellung von Spark Submit Aufgaben & Migrationsleitfaden

Warum ist Spark Submit veraltet?

Der Spark Submit-Aufgabentyp wird aufgrund technischer Einschränkungen und Featurelücken, die nicht in den JAR, Notebook oder Python-Skript-Aufgaben enthalten sind, abgekündigt. Diese Aufgaben bieten eine bessere Integration in Databricks-Features, verbesserte Leistung und höhere Zuverlässigkeit.

Abschaffungsmaßnahmen

Databricks implementiert die folgenden Maßnahmen im Zusammenhang mit der Deaktivierung:

• Eingeschränkte Erstellung: Ab November 2025 können nur Benutzer, die Spark Submit-Aufgaben im vorherigen Monat verwendet haben, neue Spark Submit-Aufgaben erstellen. Wenn Sie eine Ausnahme benötigen, wenden Sie sich an den Kontosupport.
• Einschränkungen der Databricks-Runtime-Version: Spark Submit-Nutzung ist auf vorhandene Databricks-Runtime-Versionen und Wartungsversionen beschränkt. Vorhandene Databricks-Runtime-Versionen mit Spark Submit erhalten weiterhin Sicherheits- und Bugfix-Wartungsversionen, bis das Feature vollständig beendet wird. Databricks Runtime 17.3+ und 18.x+ unterstützen diesen Aufgabentyp nicht.
• Benutzeroberflächenwarnungen: Warnungen werden auf der Benutzeroberfläche von Databricks angezeigt, auf der Spark Submit-Aufgaben verwendet werden, und die Kommunikation wird an Arbeitsbereichsadministratoren in Konten vorhandener Benutzer gesendet.

Migrieren von JVM-Workloads zu JAR-Aufgaben

Migrieren Sie für JVM-Workloads Ihre Spark Submit-Aufgaben zu JAR-Aufgaben. JAR-Aufgaben bieten eine bessere Featureunterstützung und Integration für Databricks.

Führen Sie die folgenden Schritte zum Migrieren aus:

1. Erstellen Sie eine neue JAR-Aufgabe in Ihrem Auftrag.
2. Identifizieren Sie aus den Spark Submit-Vorgangsparametern die ersten drei Argumente. Sie folgen in der Regel diesem Muster: ["--class", "org.apache.spark.mainClassName", "dbfs:/path/to/jar_file.jar"]
3. Entfernen Sie den --class Parameter.
4. Legen Sie den Hauptklassennamen (z. B org.apache.spark.mainClassName. ) als Hauptklasse für Ihre JAR-Aufgabe fest.
5. Geben Sie den Pfad zu Ihrer JAR-Datei (z. B dbfs:/path/to/jar_file.jar. ) in der JAR-Aufgabenkonfiguration an.
6. Kopieren Sie alle verbleibenden Argumente aus ihrem Spark Submit-Vorgang in die JAR-Vorgangsparameter.
7. Führen Sie die JAR-Aufgabe aus, und überprüfen Sie, ob sie wie erwartet funktioniert.

Ausführliche Informationen zum Konfigurieren von JAR-Aufgaben finden Sie unter JAR-Aufgabe.

Migrieren von R-Workloads

Wenn Sie ein R-Skript direkt aus einer Spark Submit-Aufgabe starten, stehen mehrere Migrationspfade zur Verfügung.

Option A: Verwenden von Notizbuchaufgaben

Migrieren Sie Ihr R-Skript zu einem Databricks-Notizbuch. Notebook-Aufgaben unterstützen eine vollständige Reihe von Funktionen, einschließlich automatischer Skalierung des Clusters, und bieten eine bessere Integration mit der Databricks-Plattform.

Option B: Bootstrap R-Skripts aus einer Notizbuchaufgabe

Verwenden Sie eine Notizbuchaufgabe , um Ihre R-Skripts zu bootstrapieren. Erstellen Sie ein Notizbuch mit dem folgenden Code, und verweisen Sie als Auftragsparameter auf Ihre R-Datei. Ändern Sie, um parameter hinzuzufügen, die von Ihrem R-Skript verwendet werden, falls erforderlich:

dbutils.widgets.text("script_path", "", "Path to script")
script_path <- dbutils.widgets.get("script_path")
source(script_path)

Suchen von Aufträgen, die Spark Submit-Aufgaben verwenden

Sie können die folgenden Python-Skripts verwenden, um Aufträge in Ihrem Arbeitsbereich zu identifizieren, die Spark Submit-Aufgaben enthalten. Ein gültiger persönlicher Zugriff oder ein anderes Token wird benötigt, und Ihre Arbeitsbereichs-URL sollte verwendet werden.

Option A: Schnelle Überprüfung (führen Sie diese zuerst aus, nur für dauerhafte Aufträge)

Dieses Skript überprüft nur persistente Aufträge (erstellt über /jobs/create oder die Webschnittstelle) und schließt keine ephemeren Aufträge ein, die über /runs/submit erstellt wurden. Dies ist die empfohlene First-Line-Methode zum Identifizieren der Spark Submit-Verwendung, da sie viel schneller ist.

#!/usr/bin/env python3
"""
Requirements:
    databricks-sdk>=0.20.0

Usage:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
    export DATABRICKS_TOKEN="your-token"
    python3 list_spark_submit_jobs.py

Output:
    CSV format with columns: Job ID, Owner ID/Email, Job Name

Incorrect:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com/?o=12345678910"
"""

import csv
import os
import sys
from databricks.sdk import WorkspaceClient
from databricks.sdk.errors import PermissionDenied


def main():
    # Get credentials from environment
    workspace_url = os.environ.get("DATABRICKS_HOST")
    token = os.environ.get("DATABRICKS_TOKEN")

    if not workspace_url or not token:
        print(
            "Error: Set DATABRICKS_HOST and DATABRICKS_TOKEN environment variables",
            file=sys.stderr,
        )
        sys.exit(1)

    # Initialize client
    client = WorkspaceClient(host=workspace_url, token=token)

    # Scan workspace for persistent jobs with Spark Submit tasks
    # Using list() to scan only persistent jobs (faster than list_runs())
    print(
        "Scanning workspace for persistent jobs with Spark Submit tasks...",
        file=sys.stderr,
    )
    jobs_with_spark_submit = []
    total_jobs = 0

    # Iterate through all jobs (pagination is handled automatically by the SDK)
    skipped_jobs = 0
    for job in client.jobs.list(expand_tasks=True, limit=25):
        try:
            total_jobs += 1
            if total_jobs % 1000 == 0:
                print(f"Scanned {total_jobs} jobs total", file=sys.stderr)

            # Check if job has any Spark Submit tasks
            if job.settings and job.settings.tasks:
                has_spark_submit = any(
                    task.spark_submit_task is not None for task in job.settings.tasks
                )

                if has_spark_submit:
                    # Extract job information
                    job_id = job.job_id
                    owner_email = job.creator_user_name or "Unknown"
                    job_name = job.settings.name or f"Job {job_id}"

                    jobs_with_spark_submit.append(
                        {"job_id": job_id, "owner_email": owner_email, "job_name": job_name}
                    )
        except PermissionDenied:
            # Skip jobs that the user doesn't have permission to access
            skipped_jobs += 1
            continue

    # Print summary to stderr
    print(f"Scanned {total_jobs} jobs total", file=sys.stderr)
    if skipped_jobs > 0:
        print(
            f"Skipped {skipped_jobs} jobs due to insufficient permissions",
            file=sys.stderr,
        )
    print(
        f"Found {len(jobs_with_spark_submit)} jobs with Spark Submit tasks",
        file=sys.stderr,
    )
    print("", file=sys.stderr)

    # Output CSV to stdout
    if jobs_with_spark_submit:
        writer = csv.DictWriter(
            sys.stdout,
            fieldnames=["job_id", "owner_email", "job_name"],
            quoting=csv.QUOTE_MINIMAL,
        )
        writer.writeheader()
        writer.writerows(jobs_with_spark_submit)
    else:
        print("No jobs with Spark Submit tasks found.", file=sys.stderr)


if __name__ == "__main__":
    main()

Option B: Umfassender Scan (langsamer, umfasst kurzlebige Aufträge aus den letzten 30 Tagen)

Wenn Sie kurzlebige Aufträge identifizieren müssen, die über /runs/submit erstellt wurden, verwenden Sie ein umfassenderes Skript. Dieses Skript überprüft alle Aufträge aus den letzten 30 Tagen in Ihrem Arbeitsbereich, einschließlich persistenter Aufträge (erstellt über /jobs/create) und kurzlebiger Aufträge. Dieses Skript kann Stunden dauern, bis es in großen Arbeitsbereichen ausgeführt wird.

#!/usr/bin/env python3
"""
Requirements:
    databricks-sdk>=0.20.0

Usage:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
    export DATABRICKS_TOKEN="your-token"
    python3 list_spark_submit_runs.py

Output:
    CSV format with columns: Job ID, Run ID, Owner ID/Email, Job/Run Name

Incorrect:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com/?o=12345678910"
"""

import csv
import os
import sys
import time
from databricks.sdk import WorkspaceClient
from databricks.sdk.errors import PermissionDenied


def main():
    # Get credentials from environment
    workspace_url = os.environ.get("DATABRICKS_HOST")
    token = os.environ.get("DATABRICKS_TOKEN")

    if not workspace_url or not token:
        print(
            "Error: Set DATABRICKS_HOST and DATABRICKS_TOKEN environment variables",
            file=sys.stderr,
        )
        sys.exit(1)

    # Initialize client
    client = WorkspaceClient(host=workspace_url, token=token)

    thirty_days_ago_ms = int((time.time() - 30 * 24 * 60 * 60) * 1000)

    # Scan workspace for runs with Spark Submit tasks
    # Using list_runs() instead of list() to include ephemeral jobs created via /runs/submit
    print(
        "Scanning workspace for runs with Spark Submit tasks from the last 30 days... (this will take more than an hour in large workspaces)",
        file=sys.stderr,
    )
    runs_with_spark_submit = []
    total_runs = 0
    seen_job_ids = set()

    # Iterate through all runs (pagination is handled automatically by the SDK)
    skipped_runs = 0
    for run in client.jobs.list_runs(
        expand_tasks=True,
        limit=25,
        completed_only=True,
        start_time_from=thirty_days_ago_ms,
    ):
        try:
            total_runs += 1
            if total_runs % 1000 == 0:
                print(f"Scanned {total_runs} runs total", file=sys.stderr)

            # Check if run has any Spark Submit tasks
            if run.tasks:
                has_spark_submit = any(
                    task.spark_submit_task is not None for task in run.tasks
                )

                if has_spark_submit:
                    # Extract job information from the run
                    job_id = run.job_id if run.job_id else "N/A"
                    run_id = run.run_id if run.run_id else "N/A"
                    owner_email = run.creator_user_name or "Unknown"
                    # Use run name if available, otherwise try to construct a name
                    run_name = run.run_name or (
                        f"Run {run_id}" if run_id != "N/A" else "Unnamed Run"
                    )

                    # Track unique job IDs to avoid duplicates for persistent jobs
                    # (ephemeral jobs may have the same job_id across multiple runs)
                    key = (job_id, run_id)
                    if key not in seen_job_ids:
                        seen_job_ids.add(key)
                        runs_with_spark_submit.append(
                            {
                                "job_id": job_id,
                                "run_id": run_id,
                                "owner_email": owner_email,
                                "job_name": run_name,
                            }
                        )
        except PermissionDenied:
            # Skip runs that the user doesn't have permission to access
            skipped_runs += 1
            continue

    # Print summary to stderr
    print(f"Scanned {total_runs} runs total", file=sys.stderr)
    if skipped_runs > 0:
        print(
            f"Skipped {skipped_runs} runs due to insufficient permissions",
            file=sys.stderr,
        )
    print(
        f"Found {len(runs_with_spark_submit)} runs with Spark Submit tasks",
        file=sys.stderr,
    )
    print("", file=sys.stderr)

    # Output CSV to stdout
    if runs_with_spark_submit:
        writer = csv.DictWriter(
            sys.stdout,
            fieldnames=["job_id", "run_id", "owner_email", "job_name"],
            quoting=csv.QUOTE_MINIMAL,
        )
        writer.writeheader()
        writer.writerows(runs_with_spark_submit)
    else:
        print("No runs with Spark Submit tasks found.", file=sys.stderr)


if __name__ == "__main__":
    main()

Benötigen Sie Hilfe?

Wenn Sie weitere Hilfe benötigen, wenden Sie sich an den Support Ihres Kontos.