Fabric Runtime 2.0 (GA)

Fabric Runtime levererar sömlös integration inom Fabric-ekosystemet och erbjuder en robust miljö för data engineering- och data science-projekt drivna av Apache Spark.

Denna artikel introducerar Fabric Runtime 2.0, den senaste allmänt tillgängliga runtimen designad för big data-beräkningar i Microsoft Fabric. Den belyser de viktigaste funktionerna och komponenterna som gör den här versionen till ett viktigt steg framåt för skalbar analys och avancerade arbetsbelastningar.

Fabric Runtime 2.0 innehåller följande komponenter och uppgraderingar som är utformade för att förbättra dina databehandlingsfunktioner:

Apache Spark 4.1
Operativsystem: Azure Linux 3.0 (Mariner 3.0)
Java: 21
Scala: 2.13
Python: 3.13
Delta Lake: 4,2
R: 4.5.2

Viktigt!

Fabric-teamet rullar ut en uppdatering av Fabric Runtime 2.0. Som en del av denna uppdatering introducerar Python-uppgraderingen en brytande förändring för kunder som använder miljöobjekt med python och wheel-bibliotek. Kunder ser ett av de två felmeddelandena vid notebook- eller Spark-jobbdefinition (SJD)-exekvering:

Fel: varning: 1 inaktuell funktion (sedan 2.13.0); för mer information, aktivera :setting -deprecation eller :replay -deprecation Källa: SparkCoreService.
"LibraryManagementError": "En uppgradering av basmiljön Spark Python har upptäckts. Vänligen publicera miljön igen.|UserError"

Nödvändiga åtgärder

Publicera din miljö på nytt (inklusive biblioteken). För att göra detta, ta bort alla bibliotek, publicera miljön, lägg till alla bibliotek igen och publicera igen. Denna process återskapar miljön genom att använda den uppdaterade Python-runtimen och löser problemet.

Tips/Råd

Fabric Runtime 2.0 har stöd för den interna körningsmotorn, vilket avsevärt kan förbättra prestandan utan mer kostnader. Du kan aktivera den inbyggda exekveringsmotorn på miljönivå så att alla jobb och notebook-filer automatiskt ärver de förbättrade prestandaförmågorna.

Aktivera Runtime 2.0

Du kan aktivera Runtime 2.0 på antingen arbetsytenivå eller miljöobjektnivå. Använd arbetsyteinställningen för att tillämpa Runtime 2.0 som standard för alla Spark-arbetsbelastningar på din arbetsyta. Du kan också skapa ett miljöobjekt med Runtime 2.0 som ska användas med specifika notebook-filer eller Spark-jobbdefinitioner, vilket åsidosätter standardinställningen för arbetsytan.

Aktivera Runtime 2.0 i arbetsyteinställningar

Så här anger du Runtime 2.0 som standard för hela arbetsytan:

Gå till sidan Inställningar för arbetsyta i din Fabric-arbetsyta.
Välj fliken Datateknik/vetenskap och välj sedan Spark-inställningar.
Välj fliken Miljö.
Under rullgardinsmenyn för runtime-versionen , välj 2.0 (Spark 4.1, Delta 4.2) och spara dina ändringar.
Runtime 2.0 har ställts in som standardkörning för din arbetsyta.

Aktivera Runtime 2.0 i ett miljöobjekt

För att använda Runtime 2.0 med specifika anteckningsböcker eller Spark-jobbdefinitioner:

Skapa ett nytt miljöobjekt eller öppna ett befintligt objekt.
Under rullgardinsmenyn Runtime , välj 2.0 (Spark 4.1, Delta 4.2),spara och publicera dina ändringar.
Använd sedan detta miljöobjekt med din anteckningsbok eller Spark-jobbdefinition.

Du kan nu börja arbeta med de senaste förbättringarna och funktionerna som introducerats i Fabric Runtime 2.0 (Spark 4.1 och Delta Lake 4.2).

Anmärkning

Även om Runtime 2.0 är allmänt tillgänglig och redo att användas i produktion är det ännu inte standardruntime. För att ge kunder som är beroende av nuvarande standardkörning extra tid att validera sina arbetsbelastningar och planera sin migrering måste de uttryckligen välja Runtime 2.0. Planen är att göra Runtime 2.0 till det förvalda standardvalet i användargränssnittet och till standardkörmiljö för nya arbetsytor och miljöobjekt i slutet av september 2026. Denna fasdelade metod hjälper kunder att anta och validera Runtime 2.0 i sin egen takt samtidigt som de drar nytta av en förutsägbar övergångstid.

Tips/Råd

För uppdaterad information, en detaljerad lista över ändringar och specifika versionsanteckningar för Fabric-körtider, kontrollera och prenumerera på utgåvor och uppdateringar av Spark-körtider.

Viktiga höjdpunkter

Förbättringar av prestanda- och exekveringsmotorn.

Fabric Runtime 2.0 innehåller den inbyggda körningsmotorn, som ger betydande prestandaförbättringar jämfört med Spark med öppen källkod. Motorn använder vektoriserad bearbetning för att påskynda Spark-frågor på lakehouse-infrastrukturen utan att kräva kodändringar.

Viktiga prestandafunktioner i Runtime 2.0:

Upp till sex gånger snabbare: Prestandamått visar upp till sex gånger snabbare prestanda jämfört med Spark med öppen källkod för TPC-DS arbetsbelastningar.
Vektoriserad CSV-parsning: Den inbyggda körningsmotorn innehåller en vektoriserad CSV-parser som påskyndar CSV-inmatning och frågearbetsbelastningar. Stöd för vektoriserad JSON-parsning och Spark Structured Streaming planeras för framtida uppdateringar.

Information om hur du aktiverar den inbyggda körmotorn finns i Inbyggd körmotor för Fabric Datateknik.

Apache Spark 4.1

Apache Spark 4.0 markerade en viktig milstolpe som den första versionen i 4.x-serien, som förkroppsligar den samlade ansträngningen i den livliga communityn med öppen källkod. Fabric Runtime 2.0 körs nu på Apache Spark 4.1, som bygger på den grunden med ytterligare förbättringar.

I den här versionen är Spark SQL avsevärt berikat med kraftfulla nya funktioner som är utformade för att öka uttryckskraften och mångsidigheten för SQL-arbetsbelastningar, till exempel stöd för VARIANT-datatyp, användardefinierade SQL-funktioner, sessionsvariabler, pipe-syntax och strängsortering. PySpark ser ett kontinuerligt engagemang för både dess funktionella bredd och den övergripande utvecklarupplevelsen, vilket ger ett inbyggt api för plottning, ett nytt API för Python-datakälla, stöd för Python-UDF:er och enhetlig profilering för PySpark-UDF:er, tillsammans med många andra förbättringar. Strukturerad strömning utvecklas med viktiga tilläggsfunktioner som ger bättre kontroll och enklare felsökning, särskilt införandet av det godtyckliga tillstånds-API v2 för mer flexibel tillståndshantering och State Data Source för enklare felsökning.

Du kan kontrollera hela listan och detaljerade ändringar här:

Anmärkning

I Spark 4.x är SparkR inaktuellt och kan tas bort i en framtida version.

Delta Lake 4.2

Delta Lake 4.2 bygger vidare på tidigare Delta Lake-utgåvor och fortsätter sitt engagemang för att göra Delta Lake interoperabelt över format, lättare att arbeta med och mer prestandaeffektivt. Den innehåller kraftfulla nya funktioner, prestandaoptimeringar och grundläggande förbättringar för framtiden för öppna datasjöhus.

För hela listan och detaljerade förändringar som infördes med Delta Lake 3.3, 4.0, 4.1 och 4.2, se:

Datalayout och optimering

Runtime 2.0 stöder funktioner för datalayout och optimering för Delta-tabeller:

Z-ordning: Organisera data i Delta-tabellfiler efter angivna kolumner för att förbättra frågeprestanda för filtrerade förfrågningar.
Liquid Clustering: En flexibel klustringsmetod som automatiskt optimerar datalayouten utan manuellt underhåll.
Parallell inläsning av Delta-ögonblicksbilder: Den inbyggda körningsmotorn läser in Delta-ögonblicksbilder parallellt, vilket minskar uppstartstiden för frågor för stora tabeller.

Viktigt!

Delta Lake 4.2-specifika funktioner är experimentella och fungerar endast på Spark-upplevelser, såsom anteckningsböcker och Spark Job Definitions. Om du behöver använda samma Delta Lake-tabeller i flera Microsoft Fabric-arbetsbelastningar ska du inte aktivera dessa funktioner. För att lära dig mer om vilka protokollversioner och funktioner som är kompatibla över alla Microsoft Fabric-upplevelser, se Delta Lake-tabellformatinteroperabilitet.

Beräkningshantering i Runtime 2.0

Runtime 2.0 stöder följande funktioner för beräkningshantering:

Resursprofiler: Konfigurera fördefinierade resursallokeringar för Spark-sessioner för att matcha arbetsbelastningskrav och kontrollera kostnader.
Anpassade livepooler (förhandsversion): Skapa dedikerade, förvärmda Spark-pooler som minskar starttiden för sessioner. Anpassade livepooler för Runtime 2.0-arbetsbelastningar är tillgängliga som förhandsversion.

Begränsningar och anteckningar

Delta Lake 4.x-specifika funktioner är experimentella och fungerar bara med Spark-upplevelser, till exempel notebook-filer och Spark-jobbdefinitioner. Om du behöver använda samma Delta Lake-tabeller i flera Fabric-arbetsbelastningar ska du inte aktivera dessa funktioner. Mer information finns i Delta Lake-tabellformatets samverkan.
VS Code-tillägget för Fabric Spark stöder Runtime 2.0 för utveckling av notebook- och Spark-jobbdefinition.

Feedback

Var den här sidan till hjälp?

Last updated on 2026-08-18