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 (GA) och standardruntime i Microsoft Fabric. Runtime 2.0 är standardvalet för nya arbetsytor och miljöobjekt. Den tillhandahåller funktioner och komponenter 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 runtime-releasekanaler låter dig testa kommande runtime-ändringar tidigt och validera arbetsbelastningskompatibilitet innan uppdateringar blir standard. Detta tillvägagångssätt hjälper till att minska oväntade produktionsstörningar och ger större kontroll över körtidsuppgraderingar. Läs mer om utgivningskanaler.

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

Nya arbetsytor och miljöobjekt använder Runtime 2.0 som standard. Om din arbetsplats eller miljö använder en tidigare runtime, följ dessa steg för att välja Runtime 2.0 efter att ha verifierat arbetsbelastningens kompatibilitet. Ett miljöobjekts körtidsval åsidosätter arbetsytans standard för notebook-filer och Spark-jobbdefinitioner kopplade till den miljön.

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

Innan du ändrar en befintlig arbetsyta eller miljö till Runtime 2.0, validera dina bibliotek, Spark-inställningar och arbetsbelastningar. För kompatibilitetsöverväganden och en stegvis migreringsprocess, se Migrera från Runtime 1.3 till Runtime 2.0.

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?

Uppdaterades senast 2026-10-23