Freigeben über

Databricks Runtime 4.0 (EoS)

  • Artikel

Hinweis

Die Unterstützung für diese Databricks-Runtime-Version wurde beendet. Den End-of-Support-Termin finden Sie im Verlauf des Supportendes. Alle unterstützten Versionen von Databricks Runtime finden Sie unter Versionshinweise, Versionen und Kompatibilität von Databricks Runtime.

Diese Version wurde von Databricks im März 2018 veröffentlicht.

Wichtig

Dieses Release wurde am 1. November 2018 eingestellt. Weitere Informationen zur Databricks Runtime-Veraltungsrichtlinie und zum Zeitplan finden Sie unter Supportlebenszyklus von Databricks.

Die folgenden Versionshinweise enthalten Informationen zu Databricks Runtime 4.0 mit Unterstützung durch Apache Spark.

Änderungen und Verbesserungen

  • Die JSON-Datenquelle versucht nun, die Codierung automatisch zu erkennen, anstatt davon auszugehen, dass es sich um UTF-8 handelt. In Fällen, in denen die automatische Erkennung fehlschlägt, können Benutzer die Option charset angeben, um eine bestimmte Codierung zu erzwingen. Weitere Informationen finden Sie unter Automatische Erkennung von Zeichensätzen.
  • Die Bewertung und Vorhersage mit Spark MLlib-Pipelines in Structured Streaming wird vollständig unterstützt.
  • Der Databricks ML-Modellexport wird vollständig unterstützt. Mit diesem Feature können Sie ein Spark MLlib-Modell in Databricks trainieren, es mit einem Funktionsaufruf exportieren und eine Databricks-Bibliothek in dem System Ihrer Wahl verwenden, um das Modell zu importieren und neue Daten zu bewerten.
  • Eine neue Spark-Datenquellenimplementierung bietet skalierbaren Lese-/Schreibzugriff auf Azure Synapse Analytics. Weitere Informationen finden Sie unter Spark: Synapse Analytics-Connector.
  • Das Schema der from_json-Funktion wird jetzt immer in ein Schema umgewandelt, dass Nullwerte zulässt. Mit anderen Worten: Alle Felder, auch die geschachtelten, lassen Nullwerte zu. Dies stellt sicher, dass die Daten mit dem Schema kompatibel sind und verhindert, dass die Daten nach dem Schreiben in die Parquet-Datei beschädigt werden, wenn ein Feld in den Daten fehlt und das vom Benutzer bereitgestellte Schema das Feld als „Non-Nullable“ (keine Nullwerte zulassend) deklariert.
  • Einige installierte Python-Bibliotheken haben ein Upgrade erhalten:
    • futures: von 3.1.1 auf 3.2.0
    • pandas: von 0.18.1 auf 0.19.2
    • pyarrow: von 0.4.1 auf 0.8.0
    • setuptools: von 38.2.3 auf 38.5.1
    • tornado: 4.5.2 auf 4.5.3
  • Mehrere installierte R-Bibliotheken haben ein Upgrade erhalten. Weitere Informationen finden Sie unter Installierte R-Bibliotheken.
  • Upgrade des AWS Java SDK von 1.11.126 auf 1.11.253 durchgeführt.
  • Upgrade des SQL Server JDBC-Treibers von 6.1.0.jre8 auf 6.2.2.jre8 durchgeführt.
  • Upgrade des PostgreSQL JDBC-Treibers von 9.4-1204-jdbc41 auf 42.1.4 durchgeführt.

Apache Spark

Databricks Runtime 4.0 enthält Apache Spark 2.3.0.

Core, PySpark und Spark SQL

Hauptfeatures

  • Vektorisierter ORC-Leser: [SPARK-16060]: Fügt Unterstützung für einen neuen ORC-Leser hinzu, der den ORC-Überprüfungsdurchsatz durch Vektorisierung erheblich verbessert (2-5x). Um den Leser zu aktivieren, können Benutzer spark.sql.orc.impl auf native festlegen.
  • Spark History Server V2: [SPARK-18085]: Ein neues Spark History Server-Back-End (SHS), das eine bessere Skalierbarkeit für umfangreiche Anwendungen mit einem effizienteren Ereignisspeichermechanismus bietet.
  • Datenquellen-API V2: [SPARK-15689][SPARK-22386]: Eine experimentelle API zum Integrieren neuer Datenquellen in Spark. Die neue API versucht, mehrere Einschränkungen der V1-API zu beheben und soll die Entwicklung hochleistungsfähiger, einfach zu verwaltender und erweiterbarer externer Datenquellen erleichtern. Diese API befindet sich noch in der aktiven Entwicklung und es ist mit Breaking Changes zu rechnen.
  • PySpark-Leistungsverbesserungen: [SPARK-22216][SPARK-21187]: Erhebliche Verbesserungen der Python-Leistung und -Interoperabilität durch schnelle Datenserialisierung und vektorisierte Ausführung.

Leistung und Stabilität

Weitere wichtige Änderungen

Strukturiertes Streaming

Kontinuierliche Verarbeitung

  • Eine neue Ausführungs-Engine, die Streamingabfragen mit einer End-to-End-Wartezeit von weniger als einer Millisekunde ausführen kann, indem sie nur eine einzige Zeile des Benutzercodes ändert. Weitere Informationen finden Sie im Programmierhandbuch.

Stream-Stream-Joins

  • Möglichkeit zum Verknüpfen von zwei Datenströmen, wobei Zeilen gepuffert werden, bis übereinstimmende Tupel im anderen Datenstrom eintreffen. Prädikate können für Ereigniszeitspalten verwendet werden, um die Menge von Zuständen zu binden, die beibehalten werden muss.

Streaming-API V2

  • Eine experimentelle API zum Einfügen neuer Quellen und Senken, die für Batch-, Mikrobatch- und fortlaufende Ausführung funktioniert. Diese API befindet sich noch in der aktiven Entwicklung und es ist mit Breaking Changes zu rechnen.

MLlib

Highlights

  • Die ML-Vorhersage funktioniert jetzt mithilfe von aktualisierten APIs mit Structured Streaming. Weitere Informationen folgen.

Neue und verbesserte APIs

  • [SPARK-21866]: Integrierte Unterstützung für das Einlesen von Bildern in einen Datenrahmen (Scala/Java/Python).
  • [SPARK-19634]: Datenrahmenfunktionen für deskriptive zusammenfassende Statistiken über Vektorspalten (Scala/Java).
  • [SPARK-14516]: ClusteringEvaluator zum Optimieren von Clusteringalgorithmen, die die Metrik der Cosinus-Silhouette und der quadrierten euklidischen Silhouette unterstützen (Scala/Java/Python).
  • [SPARK-3181]: Robuste lineare Regression mit Huber-Verlust (Scala/Java/Python).
  • [SPARK-13969]: FeatureHasher-Transformator (Scala/Java/Python).
  • Unterstützung mehrerer Spalten für verschiedene Featuretransformatoren:
  • [SPARK-21633] und SPARK-21542]: Verbesserte Unterstützung für benutzerdefinierte Pipelinekomponenten in Python.

Neue Funktionen

  • [SPARK-21087]: CrossValidator und TrainValidationSplit können alle Modelle bei der Anpassung sammeln (Scala/Java). Dadurch können Sie alle angepassten Modelle überprüfen oder speichern.
  • [SPARK-19357]: Metaalgorithmen CrossValidator, TrainValidationSplit, OneVsRest unterstützen einen Parallelitätsparameter zur Anpassung mehrerer Teilmodelle in parallelen Spark-Aufträgen.
  • [SPARK-17139]: Modellzusammenfassung für multinomiale logistische Regression (Scala/Java/Python)
  • [SPARK-18710]: Offset in GLM hinzufügen.
  • [SPARK-20199]: Parameter featureSubsetStrategy wurde zu GBTClassifier und GBTRegressor hinzugefügt. Dies zu verwenden, um Teilstichproben der Features zu erstellen, kann die Geschwindigkeit des Trainings erheblich verbessern. Diese Option war eine der Hauptstärken von xgboost.

Weitere wichtige Änderungen

  • [SPARK-22156]: Word2Vec-Lernratenskalierung mit num Iterationen wurde behoben. Die neue Lernrate ist so festgelegt, dass sie dem ursprünglichen Word2Vec-C-Code entspricht und zu besseren Ergebnissen beim Training führen sollte.
  • [SPARK-22289]: JSON-Unterstützung für Matrix-Parameter hinzufügen (Damit wurde ein Fehler bei der ML-Persistenz mit LogisticRegressionModel behoben, der auftrat, wenn Grenzen für Koeffizienten verwendet wurden.)
  • [SPARK-22700]: Bucketizer.transform verwirft fälschlicherweise eine Zeile, die NaN enthält. Wenn der Parameter handleInvalid auf „skip“ (überspringen) festgelegt war, würde Bucketizer eine Zeile mit einem gültigen Wert in der Eingabespalte verwerfen, wenn eine andere (irrelevante) Spalte einen NaN-Wert enthielt.
  • [SPARK-22446]: Der Catalyst-Optimierer hat gelegentlich StringIndexerModel dazu veranlasst, eine falsche „Unsichtbare Bezeichnung“-Ausnahme auszulösen, wenn handleInvalid auf „Fehler“ festgelegt war. Dies konnte bei gefilterten Daten aufgrund eines Prädikatpushdowns passieren und Fehler verursachen, selbst wenn ungültige Zeilen bereits aus dem Eingabedataset gefiltert worden waren.
  • [SPARK-21681]: In der multinomialen logistischen Regression wurde ein Fehler behoben, der zu falschen Koeffizienten führte, wenn einige Features eine Varianz von Null aufwiesen.
  • Wichtige Optimierungen:
    • [SPARK-22707]: Arbeitsspeicherverbrauch für CrossValidator wurde verringert.
    • [SPARK-22949]: Arbeitsspeicherverbrauch für TrainValidationSplit wurde verringert.
    • [SPARK-21690]: Imputer sollte das Training mithilfe eines einzigen Durchlaufs durch die Daten durchführen.
    • [SPARK-14371]: OnlineLDAOptimizer vermeidet das Sammeln von Statistiken für den Treiber für jeden Minibatch.

SparkR

Das Hauptaugenmerk von SparkR in der Version 2.3.0 lag auf der Verbesserung der Stabilität von UDFs und dem Hinzufügen mehrerer neuer SparkR-Wrapper für bestehende APIs:

Hauptfeatures

GraphX

Optimierungen

  • [SPARK-5484]: Pregel prüft jetzt regelmäßig, um StackOverflowErrors zu vermeiden.
  • [SPARK-21491]: Kleine Leistungsverbesserung an mehreren Stellen.

Veraltete Funktionen

Python

  • [SPARK-23122]: register* für UDFs in SQLContext und Catalog in PySpark als veraltet kennzeichnen.

MLlib

  • [SPARK-13030]: OneHotEncoder wurde als veraltet gekennzeichnet und wird in 3.0 entfernt. Es wurde durch das neue OneHotEncoderEstimator ersetzt. OneHotEncoderEstimator wird in 3.0 in OneHotEncoder umbenannt (aber OneHotEncoderEstimator bleibt als Alias erhalten).

Verhaltensänderungen

SparkSQL

  • [SPARK-22036]: Bei arithmetischen Operationen zwischen Dezimalwerten wird standardmäßig ein gerundeter Wert zurückgegeben, wenn eine exakte Darstellung nicht möglich ist (anstelle der Rückgabe von NULL in den vorherigen Versionen).
  • [SPARK-22937]: Wenn alle Eingaben binär sind, gibt SQL elt() eine Ausgabe in binärer Form zurück. Andernfalls wird eine Zeichenfolge zurückgegeben. In früheren Versionen wurde unabhängig von den Eingabetypen immer eine Zeichenfolge zurückgegeben.
  • [SPARK-22895]: Die deterministischen Prädikate des Joins/Filters, die nach den ersten nicht deterministischen Prädikaten stehen, werden ebenfalls nach unten bzw. durch die untergeordneten Operatoren gepusht, wenn möglich. In den früheren Versionen waren diese Filter nicht für den Prädikatspushdown geeignet.
  • [SPARK-22771]: Wenn alle Eingaben binär sind, gibt functions.concat() eine Ausgabe in binärer Form zurück. Andernfalls wird eine Zeichenfolge zurückgegeben. In den früheren Versionen wurde unabhängig von den Eingabetypen immer eine Zeichenfolge zurückgegeben.
  • [SPARK-22489]: Wenn eine der beiden Join-Seiten übertragungsfähig ist, bevorzugen wir die Übertragung der Tabelle, die explizit in einem Broadcasthinweis angegeben ist.
  • [SPARK-22165]: Der Rückschluss von Partitionsspalten hat zuvor einen falschen gemeinsamen Typ für verschiedene abgeleitete Typen gefunden. Bisher endete es z. B. mit dem double-Typ als gemeinsamen Typ für double und date. Jetzt wird der richtige gemeinsame Typ für solche Konflikte gefunden. Weitere Informationen finden Sie im Migrationsleitfaden.
  • [SPARK-22100]: Die percentile_approx-Funktion hat zuvor numeric-Typeingaben akzeptiert und double-Typergebnisse ausgegeben. Jetzt werden die Typen date, timestamp und numeric als Eingabetypen unterstützt. Der Ergebnistyp wird ebenfalls geändert, sodass er mit dem Eingabetyp übereinstimmt, was für Perzentile sinnvoller ist.
  • [SPARK-21610]: Die Abfragen aus JSON-/CSV-Dateien mit Rohdaten sind unzulässig, wenn die Spalten, auf die verwiesen wird, nur die interne Spalte mit beschädigten Datensätzen enthalten (standardmäßig _corrupt_record genannt). Stattdessen können Sie die analysierten Ergebnisse zwischenspeichern oder speichern und dann dieselbe Abfrage senden.
  • [SPARK-23421]: Seit Spark 2.2.1 und 2.3.0 wird das Schema zur Laufzeit immer abgeleitet, wenn die Datenquellentabellen über die Spalten verfügen, die sowohl im Partitionsschema als auch im Datenschema vorhanden sind. Das abgeleitete Schema verfügt nicht über die partitionierten Spalten. Beim Lesen der Tabelle beachtet Spark die Partitionswerte dieser überlappenden Spalten anstelle der in den Datenquellendateien gespeicherten Werte. In Release 2.2.0 und 2.1.x ist das abgeleitete Schema partitioniert, aber die Daten der Tabelle sind für Benutzer unsichtbar (d. h. das Resultset ist leer).

PySpark

  • [SPARK-19732]: na.fill() oder fillna akzeptiert auch boolesche Werte und ersetzt Nullwerte durch boolesche Werte. In früheren Spark-Versionen ignoriert PySpark sie einfach und gibt das ursprüngliche Dataset bzw. den ursprünglichen Datenrahmen zurück.
  • [SPARK-22395]: Pandas 0.19.2 oder „upper“ wird benötigt, um auf Pandas bezogene Funktionalitäten zu verwenden, z. B. toPandas, createDataFrame aus dem Pandas-Datenrahmen usw.
  • [SPARK-22395]: Das Verhalten von Zeitstempelwerten für Pandas-bezogene Funktionen wurde geändert, um die Sitzungszeitzone zu berücksichtigen, was in den vorherigen Versionen ignoriert wurde.
  • [SPARK-23328]: df.replace gestattet das Auslassen von value nicht, wenn to_replace kein Wörterbuch ist. Zuvor konnte value in den anderen Fällen ausgelassen werden und hatte standardmäßig None, was nicht intuitiv und fehleranfällig ist.

MLlib

  • Breaking API Changes: Die Klassen- und Merkmalshierarchie für Zusammenfassungen von logistischen Regressionsmodellen wurde geändert, um sie übersichtlicher zu gestalten und das Hinzufügen der Zusammenfassung mehrerer Klassen besser zu berücksichtigen. Dies ist eine Breaking Change für Benutzercode, der eine LogisticRegressionTrainingSummary in eine BinaryLogisticRegressionTrainingSummary umwandelt. Benutzer sollten stattdessen die model.binarySummary-Methode verwenden. Weitere Informationen finden Sie unter [SPARK-17139]: (beachten Sie, dass dies eine @Experimental-API ist). Dies hat keine Auswirkungen auf die Python-Zusammenfassungsmethode, die sowohl für multinomiale als auch für binäre Fälle weiterhin ordnungsgemäß funktioniert.
  • [SPARK-21806]: BinaryClassificationMetrics.pr(): Der erste Punkt (0.0, 1.0) ist irreführend und wurde durch (0.0, p) ersetzt, wobei die Präzision „p“ dem niedrigsten Abrufpunkt entspricht.
  • [SPARK-16957]: In den Entscheidungsstrukturen werden jetzt bei der Auswahl aufgeteilter Werte gewichtete Mittelpunkte verwendet. Dies kann die Ergebnisse des Modelltrainings verändern.
  • [SPARK-14657]: RFormula ohne Schnittpunkt gibt jetzt bei der Codierung von Zeichenfolgen die Referenzkategorie aus, um dem nativen Verhalten von R zu entsprechen. Dies kann die Ergebnisse des Modelltrainings verändern.
  • [SPARK-21027]: Die in OneVsRest verwendete Standardparallelität ist jetzt auf 1 festgelegt (d. h. seriell). In Version 2.2 und früheren Versionen wurde der Grad der Parallelität auf die standardmäßige Threadpoolgröße in Scala festgelegt. Dies kann die Leistung ändern.
  • [SPARK-21523]: Upgrade für Breeze auf 0.13.2 durchgeführt. Dies umfasste eine wichtige Fehlerbehebung bei der starken Wolfe-Zeilensuche für L-BFGS.
  • [SPARK-15526]: Die JPMML-Abhängigkeit ist jetzt abgestuft.
  • Lesen Sie auch den Abschnitt „Fehlerbehebungen“ für Verhaltensänderungen, die sich aus der Behebung von Fehlern ergeben.

Bekannte Probleme

  • [SPARK-23523][SQL]: Falsches Ergebnis, verursacht durch die Regel OptimizeMetadataOnlyQuery.
  • [SPARK-23406]: Fehler in Stream-Stream-Selbstjoins.

Wartungsupdates

Weitere Informationen finden Sie unter Databricks Runtime 4.0-Wartungsupdates.

Systemumgebung

  • Betriebssystem: Ubuntu 16.04.4 LTS
  • Java: 1.8.0_151
  • Scala: 2.11.8
  • Python: 2.7.12 (oder 3.5.2 bei Verwendung von Python 3)
  • R: R-Version 3.4.3 (2017-11-30)
  • GPU-Cluster: Die folgenden NVIDIA-GPU-Bibliotheken sind installiert:
    • Tesla-Treiber 375.66
    • CUDA 8.0
    • CUDNN 6.0

Installierte Python-Bibliotheken

Bibliothek Version Bibliothek Version Bibliothek Version
ansi2html 1.1.1 argparse 1.2.1 backports-abc 0,5
boto 2.42.0 boto3 1.4.1 botocore 1.4.70
brewer2mpl 1.4.1 certifi 2016.2.28 cffi 1.7.0
chardet 2.3.0 colorama 0.3.7 configobj 5.0.6
cryptography 1.5 cycler 0.10.0 Cython 0.24.1
decorator 4.0.10 docutils 0.14 enum34 1.1.6
et-xmlfile 1.0.1 freetype-py 1.0.2 funcsigs 1.0.2
fusepy 2.0.4 futures 3.2.0 ggplot 0.6.8
html5lib 0.999 idna 2.1 ipaddress 1.0.16
ipython 2.2.0 ipython-genutils 0.1.0 jdcal 1.2
Jinja2 2.8 jmespath 0.9.0 llvmlite 0.13.0
lxml 3.6.4 MarkupSafe 0,23 matplotlib 1.5.3
mpld3 0,2 msgpack-python 0.4.7 ndg-httpsclient 0.3.3
numba 0.28.1 numpy 1.11.1 openpyxl 2.3.2
Pandas 0.19.2 pathlib2 2.1.0 patsy 0.4.1
pexpect 4.0.1 pickleshare 0.7.4 Pillow 3.3.1
pip 9.0.1 ply 3.9 prompt-toolkit 1.0.7
psycopg2 2.6.2 ptyprocess 0.5.1 py4j 0.10.3
pyarrow 0.8.0 pyasn1 0.1.9 pycparser 2.14
Pygments 2.1.3 PyGObject 3.20.0 pyOpenSSL 16.0.0
pyparsing 2.2.0 pypng 0.0.18 Python 2.7.12
Python-dateutil 2.5.3 python-geohash 0.8.5 pytz 2016.6.1
requests 2.11.1 s3transfer 0.1.9 scikit-learn 0.18.1
scipy 0.18.1 scour 0,32 seaborn 0.7.1
setuptools 38.5.1 simplejson 3.8.2 simples3 1.0
singledispatch 3.4.0.3 sechs 1.10.0 statsmodels 0.6.1
tornado 4.5.3 traitlets 4.3.0 urllib3 1.19.1
virtualenv 15.0.1 wcwidth 0.1.7 wheel 0.30.0
wsgiref 0.1.2

Installierte R-Bibliotheken

Bibliothek Version Bibliothek Version Bibliothek Version
abind 1.4-5 assertthat 0.2.0 backports 1.1.1
base 3.4.3 BH 1.65.0-1 bindr 0,1
bindrcpp 0,2 bit 1.1-12 bit64 0.9-7
bitops 1.0-6 Blob 1.1.0 boot 1.3-20
brew 1.0-6 broom 0.4.3 Auto 2.1-6
caret 6.0-77 chron 2.3-51 class 7.3-14
cluster 2.0.6 codetools 0.2-15 colorspace 1.3-2
commonmark 1.4 compiler 3.4.3 crayon 1.3.4
curl 3.0 CVST 0.2-1 data.table 1.10.4-3
datasets 3.4.3 DBI 0.7 ddalpha 1.3.1
DEoptimR 1,0 - 8 desc 1.1.1 devtools 1.13.4
dichromat 2.0-0 digest 0.6.12 dimRed 0.1.0
doMC 1.3.4 dplyr 0.7.4 DRR 0.0.2
foreach 1.4.3 foreign 0.8-69 gbm 2.1.3
ggplot2 2.2.1 git2r 0.19.0 glmnet 2.0-13
glue 1.2.0 gower 0.1.2 Grafiken 3.4.3
grDevices 3.4.3 grid 3.4.3 gsubfn 0.6-6
gtable 0.2.0 h2o 3.16.0.1 httr 1.3.1
hwriter 1.3.2 hwriterPlus 1.0-3 ipred 0.9-6
iterators 1.0.8 jsonlite 1.5 kernlab 0.9-25
KernSmooth 2.23-15 labeling 0,3 lattice 0.20-35
lava 1.5.1 lazyeval 0.2.1 littler 0.3.2
lme4 1.1-14 lubridate 1.7.1 magrittr 1.5
mapproj 1.2-5 maps 3.2.0 MASS 7.3-48
Matrix 1.2-11 MatrixModels 0.4-1 memoise 1.1.0
methods 3.4.3 mgcv 1.8-23 mime 0,5
minqa 1.2.4 mnormt 1.5-5 ModelMetrics 1.1.0
munsell 0.4.3 mvtnorm 1.0-6 nlme 3.1-131
nloptr 1.0.4 nnet 7.3-12 numDeriv 2016.8-1
openssl 0.9.9 parallel 3.4.3 pbkrtest 0.4-7
pkgconfig 2.0.1 pkgKitten 0.1.4 plogr 0.1-1
plyr 1.8.4 praise 1.0.0 pROC 1.10.0
prodlim 1.6.1 proto 1.0.0 psych 1.7.8
purrr 0.2.4 quantreg 5.34 R.methodsS3 1.7.1
R.oo 1.21.0 R.utils 2.6.0 R6 2.2.2
randomForest 4.6-12 RColorBrewer 1.1-2 Rcpp 0.12.14
RcppEigen 0.3.3.3.1 RcppRoll 0.2.2 RCurl 1.95-4.8
recipes 0.1.1 reshape2 1.4.2 rlang 0.1.4
robustbase 0.92-8 RODBC 1.3-15 roxygen2 6.0.1
rpart 4.1-12 rprojroot 1.2 Rserve 1.7-3
RSQLite 2.0 rstudioapi 0.7 scales 0.5.0
sfsmisc 1.1-1 sp 1.2-5 SparkR 2.3.0
SparseM 1.77 spatial 7.3-11 splines 3.4.3
sqldf 0.4-11 statmod 1.4.30 stats 3.4.3
stats4 3.4.3 stringi 1.1.6 stringr 1.2.0
survival 2.41-3 tcltk 3.4.3 TeachingDemos 2,10
testthat 1.0.2 tibble 1.3.4 tidyr 0.7.2
tidyselect 0.2.3 timeDate 3042.101 tools 3.4.3
utils 3.4.3 viridisLite 0.2.0 whisker 0.3-2
withr 2.1.0 xml2 1.1.1

Installierte Java- und Scala-Bibliotheken (Scala 2.11-Clusterversion)

Gruppen-ID Artefakt-ID Version
antlr antlr 2.7.7
com.amazonaws amazon-kinesis-client 1.7.3
com.amazonaws aws-java-sdk-autoscaling 1.11.253
com.amazonaws aws-java-sdk-cloudformation 1.11.253
com.amazonaws aws-java-sdk-cloudfront 1.11.253
com.amazonaws aws-java-sdk-cloudhsm 1.11.253
com.amazonaws aws-java-sdk-cloudsearch 1.11.253
com.amazonaws aws-java-sdk-cloudtrail 1.11.253
com.amazonaws aws-java-sdk-cloudwatch 1.11.253
com.amazonaws aws-java-sdk-cloudwatchmetrics 1.11.253
com.amazonaws aws-java-sdk-codedeploy 1.11.253
com.amazonaws aws-java-sdk-cognitoidentity 1.11.253
com.amazonaws aws-java-sdk-cognitosync 1.11.253
com.amazonaws aws-java-sdk-config 1.11.253
com.amazonaws aws-java-sdk-core 1.11.253
com.amazonaws aws-java-sdk-datapipeline 1.11.253
com.amazonaws aws-java-sdk-directconnect 1.11.253
com.amazonaws aws-java-sdk-directory 1.11.253
com.amazonaws aws-java-sdk-dynamodb 1.11.253
com.amazonaws aws-java-sdk-ec2 1.11.253
com.amazonaws aws-java-sdk-ecs 1.11.253
com.amazonaws aws-java-sdk-efs 1.11.253
com.amazonaws aws-java-sdk-elasticache 1.11.253
com.amazonaws aws-java-sdk-elasticbeanstalk 1.11.253
com.amazonaws aws-java-sdk-elasticloadbalancing 1.11.253
com.amazonaws aws-java-sdk-elastictranscoder 1.11.253
com.amazonaws aws-java-sdk-emr 1.11.253
com.amazonaws aws-java-sdk-glacier 1.11.253
com.amazonaws aws-java-sdk-iam 1.11.253
com.amazonaws aws-java-sdk-importexport 1.11.253
com.amazonaws aws-java-sdk-kinesis 1.11.253
com.amazonaws aws-java-sdk-kms 1.11.253
com.amazonaws aws-java-sdk-lambda 1.11.253
com.amazonaws aws-java-sdk-logs 1.11.253
com.amazonaws aws-java-sdk-machinelearning 1.11.253
com.amazonaws aws-java-sdk-opsworks 1.11.253
com.amazonaws aws-java-sdk-rds 1.11.253
com.amazonaws aws-java-sdk-redshift 1.11.253
com.amazonaws aws-java-sdk-route53 1.11.253
com.amazonaws aws-java-sdk-s3 1.11.253
com.amazonaws aws-java-sdk-ses 1.11.253
com.amazonaws aws-java-sdk-simpledb 1.11.253
com.amazonaws aws-java-sdk-simpleworkflow 1.11.253
com.amazonaws aws-java-sdk-sns 1.11.253
com.amazonaws aws-java-sdk-sqs 1.11.253
com.amazonaws aws-java-sdk-ssm 1.11.253
com.amazonaws aws-java-sdk-storagegateway 1.11.253
com.amazonaws aws-java-sdk-sts 1.11.253
com.amazonaws aws-java-sdk-support 1.11.253
com.amazonaws aws-java-sdk-swf-libraries 1.11.22
com.amazonaws aws-java-sdk-workspaces 1.11.253
com.amazonaws jmespath-java 1.11.253
com.carrotsearch hppc 0.7.2
com.chuusai shapeless_2.11 2.3.2
com.clearspring.analytics Datenstrom 2.7.0
com.databricks Rserve 1.8-3
com.databricks dbml-local_2.11 0.3.0-db1-spark2.3
com.databricks dbml-local_2.11-tests 0.3.0-db1-spark2.3
com.databricks jets3t 0.7.1-0
com.databricks.scalapb compilerplugin_2.11 0.4.15-9
com.databricks.scalapb scalapb-runtime_2.11 0.4.15-9
com.esotericsoftware kryo-shaded 3.0.3
com.esotericsoftware minlog 1.3.0
com.fasterxml classmate 1.0.0
com.fasterxml.jackson.core jackson-annotations 2.6.7
com.fasterxml.jackson.core jackson-core 2.6.7
com.fasterxml.jackson.core jackson-databind 2.6.7.1
com.fasterxml.jackson.dataformat jackson-dataformat-cbor 2.6.7
com.fasterxml.jackson.datatype jackson-datatype-joda 2.6.7
com.fasterxml.jackson.module jackson-module-paranamer 2.6.7
com.fasterxml.jackson.module jackson-module-scala_2.11 2.6.7.1
com.github.fommil jniloader 1.1
com.github.fommil.netlib core 1.1.2
com.github.fommil.netlib native_ref-java 1.1
com.github.fommil.netlib native_ref-java-natives 1.1
com.github.fommil.netlib native_system-java 1.1
com.github.fommil.netlib native_system-java-natives 1.1
com.github.fommil.netlib netlib-native_ref-linux-x86_64-natives 1.1
com.github.fommil.netlib netlib-native_system-linux-x86_64-natives 1.1
com.github.luben zstd-jni 1.3.2-2
com.github.rwl jtransforms 2.4.0
com.google.code.findbugs jsr305 2.0.1
com.google.code.gson gson 2.2.4
com.google.guava guava 15.0
com.google.protobuf protobuf-java 2.6.1
com.googlecode.javaewah JavaEWAH 0.3.2
com.h2database h2 1.3.174
com.jamesmurty.utils java-xmlbuilder 1.1
com.jcraft jsch 0.1.50
com.jolbox bonecp 0.8.0.RELEASE
com.mchange c3p0 0.9.5.1
com.mchange mchange-commons-java 0.2.10
com.microsoft.azure azure-data-lake-store-sdk 2.0.11
com.microsoft.sqlserver mssql-jdbc 6.2.2.jre8
com.ning compress-lzf 1.0.3
com.sun.mail javax.mail 1.5.2
com.thoughtworks.paranamer paranamer 2.8
com.trueaccord.lenses lenses_2.11 0,3
com.twitter chill-java 0.8.4
com.twitter chill_2.11 0.8.4
com.twitter parquet-hadoop-bundle 1.6.0
com.twitter util-app_2.11 6.23.0
com.twitter util-core_2.11 6.23.0
com.twitter util-jvm_2.11 6.23.0
com.typesafe config 1.2.1
com.typesafe.scala-logging scala-logging-api_2.11 2.1.2
com.typesafe.scala-logging scala-logging-slf4j_2.11 2.1.2
com.univocity univocity-parsers 2.5.9
com.vlkan flatbuffers 1.2.0-3f79e055
com.zaxxer HikariCP 2.4.1
commons-beanutils commons-beanutils 1.7.0
commons-beanutils commons-beanutils-core 1.8.0
commons-cli commons-cli 1.2
commons-codec commons-codec 1.10
commons-collections commons-collections 3.2.2
commons-configuration commons-configuration 1.6
commons-dbcp commons-dbcp 1.4
commons-digester commons-digester 1.8
commons-httpclient commons-httpclient 3.1
commons-io commons-io 2.4
commons-lang commons-lang 2.6
commons-logging commons-logging 1.1.3
commons-net commons-net 2.2
commons-pool commons-pool 1.5.4
info.ganglia.gmetric4j gmetric4j 1.0.7
io.airlift aircompressor 0,8
io.dropwizard.metrics metrics-core 3.1.5
io.dropwizard.metrics metrics-ganglia 3.1.5
io.dropwizard.metrics metrics-graphite 3.1.5
io.dropwizard.metrics metrics-healthchecks 3.1.5
io.dropwizard.metrics metrics-jetty9 3.1.5
io.dropwizard.metrics metrics-json 3.1.5
io.dropwizard.metrics metrics-jvm 3.1.5
io.dropwizard.metrics metrics-log4j 3.1.5
io.dropwizard.metrics metrics-servlets 3.1.5
io.netty netty 3.9.9.Final
io.netty netty-all 4.1.17.Final
io.prometheus simpleclient 0.0.16
io.prometheus simpleclient_common 0.0.16
io.prometheus simpleclient_dropwizard 0.0.16
io.prometheus simpleclient_servlet 0.0.16
io.prometheus.jmx Sammlung 0.7
javax.activation activation 1.1.1
javax.annotation javax.annotation-api 1.2
javax.el javax.el-api 2.2.4
javax.jdo jdo-api 3.0.1
javax.servlet javax.servlet-api 3.1.0
javax.servlet.jsp jsp-api 2.1
javax.transaction jta 1.1
javax.validation validation-api 1.1.0.Final
javax.ws.rs javax.ws.rs-api 2.0.1
javax.xml.bind jaxb-api 2.2.2
javax.xml.stream stax-api 1.0-2
javolution javolution 5.5.1
jline jline 2.11
joda-time joda-time 2.9.3
log4j apache-log4j-extras 1.2.17
log4j log4j 1.2.17
net.hydromatic eigenbase-properties 1.1.5
net.iharder base64 2.3.8
net.java.dev.jets3t jets3t 0.9.4
net.razorvine pyrolite 4.13
net.sf.jpam jpam 1.1
net.sf.opencsv opencsv 2.3
net.sf.supercsv super-csv 2.2.0
net.sourceforge.f2j arpack_combined_all 0,1
org.acplt oncrpc 1.0.7
org.antlr ST4 4.0.4
org.antlr antlr-runtime 3.4
org.antlr antlr4-runtime 4,7
org.antlr stringtemplate 3.2.1
org.apache.ant ant 1.9.2
org.apache.ant ant-jsch 1.9.2
org.apache.ant ant-launcher 1.9.2
org.apache.arrow arrow-format 0.8.0
org.apache.arrow arrow-memory 0.8.0
org.apache.arrow arrow-vector 0.8.0
org.apache.avro avro 1.7.7
org.apache.avro avro-ipc 1.7.7
org.apache.avro avro-ipc-tests 1.7.7
org.apache.avro avro-mapred-hadoop2 1.7.7
org.apache.calcite calcite-avatica 1.2.0-incubating
org.apache.calcite calcite-core 1.2.0-incubating
org.apache.calcite calcite-linq4j 1.2.0-incubating
org.apache.commons commons-compress 1.4.1
org.apache.commons commons-crypto 1.0.0
org.apache.commons commons-lang3 3,5
org.apache.commons commons-math3 3.4.1
org.apache.curator curator-client 2.7.1
org.apache.curator curator-framework 2.7.1
org.apache.curator curator-recipes 2.7.1
org.apache.derby derby 10.12.1.1
org.apache.directory.api api-asn1-api 1.0.0-M20
org.apache.directory.api api-util 1.0.0-M20
org.apache.directory.server apacheds-i18n 2.0.0-M15
org.apache.directory.server apacheds-kerberos-codec 2.0.0-M15
org.apache.hadoop hadoop-annotations 2.7.3
org.apache.hadoop hadoop-auth 2.7.3
org.apache.hadoop hadoop-client 2.7.3
org.apache.hadoop hadoop-common 2.7.3
org.apache.hadoop hadoop-hdfs 2.7.3
org.apache.hadoop hadoop-mapreduce-client-app 2.7.3
org.apache.hadoop hadoop-mapreduce-client-common 2.7.3
org.apache.hadoop hadoop-mapreduce-client-core 2.7.3
org.apache.hadoop hadoop-mapreduce-client-jobclient 2.7.3
org.apache.hadoop hadoop-mapreduce-client-shuffle 2.7.3
org.apache.hadoop hadoop-yarn-api 2.7.3
org.apache.hadoop hadoop-yarn-client 2.7.3
org.apache.hadoop hadoop-yarn-common 2.7.3
org.apache.hadoop hadoop-yarn-server-common 2.7.3
org.apache.htrace htrace-core 3.1.0-incubating
org.apache.httpcomponents httpclient 4.5.4
org.apache.httpcomponents httpcore 4.4.8
org.apache.ivy ivy 2.4.0
org.apache.orc orc-core-nohive 1.4.1
org.apache.orc orc-mapreduce-nohive 1.4.1
org.apache.parquet parquet-column 1.8.2-databricks1
org.apache.parquet parquet-common 1.8.2-databricks1
org.apache.parquet parquet-encoding 1.8.2-databricks1
org.apache.parquet parquet-format 2.3.1
org.apache.parquet parquet-hadoop 1.8.2-databricks1
org.apache.parquet parquet-jackson 1.8.2-databricks1
org.apache.thrift libfb303 0.9.3
org.apache.thrift libthrift 0.9.3
org.apache.xbean xbean-asm5-shaded 4.4
org.apache.zookeeper zookeeper 3.4.6
org.bouncycastle bcprov-jdk15on 1.58
org.codehaus.jackson jackson-core-asl 1.9.13
org.codehaus.jackson jackson-jaxrs 1.9.13
org.codehaus.jackson jackson-mapper-asl 1.9.13
org.codehaus.jackson jackson-xc 1.9.13
org.codehaus.janino commons-compiler 3.0.8
org.codehaus.janino janino 3.0.8
org.datanucleus datanucleus-api-jdo 3.2.6
org.datanucleus datanucleus-core 3.2.10
org.datanucleus datanucleus-rdbms 3.2.9
org.eclipse.jetty jetty-client 9.3.20.v20170531
org.eclipse.jetty jetty-continuation 9.3.20.v20170531
org.eclipse.jetty jetty-http 9.3.20.v20170531
org.eclipse.jetty jetty-io 9.3.20.v20170531
org.eclipse.jetty jetty-jndi 9.3.20.v20170531
org.eclipse.jetty jetty-plus 9.3.20.v20170531
org.eclipse.jetty jetty-proxy 9.3.20.v20170531
org.eclipse.jetty jetty-security 9.3.20.v20170531
org.eclipse.jetty jetty-server 9.3.20.v20170531
org.eclipse.jetty jetty-servlet 9.3.20.v20170531
org.eclipse.jetty jetty-servlets 9.3.20.v20170531
org.eclipse.jetty jetty-util 9.3.20.v20170531
org.eclipse.jetty jetty-webapp 9.3.20.v20170531
org.eclipse.jetty jetty-xml 9.3.20.v20170531
org.fusesource.leveldbjni leveldbjni-all 1.8
org.glassfish.hk2 hk2-api 2.4.0-b34
org.glassfish.hk2 hk2-locator 2.4.0-b34
org.glassfish.hk2 hk2-utils 2.4.0-b34
org.glassfish.hk2 osgi-resource-locator 1.0.1
org.glassfish.hk2.external aopalliance-repackaged 2.4.0-b34
org.glassfish.hk2.external javax.inject 2.4.0-b34
org.glassfish.jersey.bundles.repackaged jersey-guava 2.22.2
org.glassfish.jersey.containers jersey-container-servlet 2.22.2
org.glassfish.jersey.containers jersey-container-servlet-core 2.22.2
org.glassfish.jersey.core jersey-client 2.22.2
org.glassfish.jersey.core jersey-common 2.22.2
org.glassfish.jersey.core jersey-server 2.22.2
org.glassfish.jersey.media jersey-media-jaxb 2.22.2
org.hibernate hibernate-validator 5.1.1.Final
org.iq80.snappy snappy 0,2
org.javassist javassist 3.18.1-GA
org.jboss.logging jboss-logging 3.1.3.GA
org.jdbi jdbi 2.63.1
org.joda joda-convert 1.7
org.jodd jodd-core 3.5.2
org.json4s json4s-ast_2.11 3.2.11
org.json4s json4s-core_2.11 3.2.11
org.json4s json4s-jackson_2.11 3.2.11
org.lz4 lz4-java 1.4.0
org.mariadb.jdbc mariadb-java-client 2.1.2
org.mockito mockito-all 1.9.5
org.objenesis objenesis 2.1
org.postgresql postgresql 42.1.4
org.roaringbitmap RoaringBitmap 0.5.11
org.rocksdb rocksdbjni 5.2.1
org.rosuda.REngine REngine 2.1.0
org.scala-lang scala-compiler_2.11 2.11.8
org.scala-lang scala-library_2.11 2.11.8
org.scala-lang scala-reflect_2.11 2.11.8
org.scala-lang scalap_2.11 2.11.8
org.scala-lang.modules scala-parser-combinators_2.11 1.0.2
org.scala-lang.modules scala-xml_2.11 1.0.5
org.scala-sbt test-interface 1.0
org.scalacheck scalacheck_2.11 1.12.5
org.scalanlp breeze-macros_2.11 0.13.2
org.scalanlp breeze_2.11 0.13.2
org.scalatest scalatest_2.11 2.2.6
org.slf4j jcl-over-slf4j 1.7.16
org.slf4j jul-to-slf4j 1.7.16
org.slf4j slf4j-api 1.7.16
org.slf4j slf4j-log4j12 1.7.16
org.spark-project.hive hive-beeline 1.2.1.spark2
org.spark-project.hive hive-cli 1.2.1.spark2
org.spark-project.hive hive-exec 1.2.1.spark2
org.spark-project.hive hive-jdbc 1.2.1.spark2
org.spark-project.hive hive-metastore 1.2.1.spark2
org.spark-project.spark unused 1.0.0
org.spire-math spire-macros_2.11 0.13.0
org.spire-math spire_2.11 0.13.0
org.springframework spring-core 4.1.4.RELEASE
org.springframework spring-test 4.1.4.RELEASE
org.tukaani xz 1.0
org.typelevel machinist_2.11 0.6.1
org.typelevel macro-compat_2.11 1.1.1
org.xerial sqlite-jdbc 3.8.11.2
org.xerial.snappy snappy-java 1.1.2.6
org.yaml snakeyaml 1.16
oro oro 2.0.8
software.amazon.ion ion-java 1.0.2
stax stax-api 1.0.1
xmlenc xmlenc 0,52