Reducción de costos para cargas de trabajo de Apache Spark con mucha reproducción aleatoria con almacenamiento sin servidor para Amazon EMR Serverless
En re:Invent 2025, anunciamos almacenamiento sin servidor para Amazon EMR Serverlesseliminando la carestia de aprovisionar almacenamiento en disco locorregional para cargas de trabajo de Apache Spark. El almacenamiento sin servidor de Amazon EMR Serverless reduce los costos de procesamiento de datos hasta en un 20 % al mismo tiempo que ayuda a organizar fallas en […]
Del caos a la escalera: creación de plantillas de canalizaciones declarativas de Spark con DLT-META
Los canales declarativos brindan a los equipos una forma basada en la intención de crear flujos de trabajo por lotes y de transmisión. Usted define lo que debe suceder y deja que el sistema administre la ejecución. Esto reduce el código personalizado y admite patrones de ingeniería repetibles. A medida que crece el uso de […]
Presentamos AWS Glue 5.1 para Apache Spark
Pegamento AWS es un servicio de integración de datos escalable y sin servidor que simplifica el descubrimiento, la preparación, el movimiento y la integración de datos de múltiples fuentes. AWS anunció recientemente Glue 5.1, una nueva traducción de AWS Glue que acelera las cargas de trabajo de integración de datos en AWS. AWS Glue 5.1 […]
Ejecute trabajos de escritura de Apache Spark y Apache Iceberg 2 veces más rápido con Amazon EMR
Tiempo de ejecución de Amazon EMR para Apache Spark ofrece un entorno de ejecución de stop rendimiento al tiempo que mantiene la compatibilidad de API con código amplio chispa apache y Iceberg apache formato de tabla. Amazon EMR en EC2, Amazon EMR sin servidor, Amazon EMR en Amazon EKS, Amazon EMR en puestos avanzados de […]
Ejecute Apache Spark e Iceberg 4,5 veces más rápido que Spark de código descubierto con Amazon EMR
Esta publicación muestra cómo Amazon EMR 7.12 puede hacer que sus cargas de trabajo de Apache Spark e Iceberg tengan un rendimiento hasta 4,5 veces más rápido. El Tiempo de ejecución de Amazon EMR para Apache Spark proporciona un entorno de ejecución de detención rendimiento con compatibilidad API total con código descubierto chispa apache y […]
Optimizar el tiempo de ejecución de Amazon EMR para Apache Spark con EMR S3A
Con el tiempo de ejecución de Amazon EMR 7.10, Amazon EMR ha introducido EMR S3A, una implementación mejorada del conector del sistema de archivos S3A de código rajado. Este conector mejorado ahora se establece automáticamente como el conector del sistema de archivos S3 predeterminado para las opciones de implementación de Amazon EMR, incluidas Amazon EMR […]
Snowpark Connect para Apache Spark ™ en paisaje previa pública
En la traducción 3.4, la comunidad Apache Spark ™ introdujo Spark Connect. Su edificación de servidor cliente desacoplada separa el código del adjudicatario del clúster Spark donde se realiza el trabajo. Esta nueva edificación ahora permite ejecutar su código de chispa en un almacén de copos de cocaína que elimina la aprieto de aprovisionar y […]
Inclusión de transformación de transformación en la transmisión estructurada Apache Spark ™
Inclusión El procesamiento de flujo con estado se refiere al procesamiento de un flujo continuo de eventos en tiempo vivo mientras mantiene el estado en función de los eventos vistos hasta ahora. Esto permite al sistema rastrear cambios y patrones con el tiempo en la secuencia de eventos, y permite tomar decisiones o tomar medidas […]
El tiempo de ejecución de Amazon EMR 7.5 para Apache Spark e Iceberg puede ejecutar cargas de trabajo de Spark 3,6 veces más rápido que Spark 3.5.3 y Iceberg 1.6.1.
El Tiempo de ejecución de Amazon EMR para Apache Spark ofrece un entorno de ejecución de parada rendimiento y al mismo tiempo mantiene una compatibilidad API del 100 % con el formato de tabla de código descubierto Apache Spark y Apache Iceberg. Amazon EMR en EC2, Amazon EMR sin servidor, Amazon EMR en Amazon EKS, […]
Presentación de la alternativa de problemas de IA generativa para Apache Spark en AWS Glue (paisaje previa)
Las organizaciones ejecutan millones de aplicaciones Apache Spark cada mes para preparar, mover y procesar sus datos para prospección y enseñanza maquinal (ML). La creación y el mantenimiento de estas aplicaciones Spark es un proceso iterativo en el que los desarrolladores dedican mucho tiempo a probar y solucionar problemas de su código. Durante el avance, […]