Aviso de descontinuação da tarefa de envio do Spark e guia de migração

atenção

A tarefa Spark Submit está obsoleta e aguardando remoção. O uso desse tipo de tarefa não é permitido para novos casos de uso e é fortemente desencorajado para clientes existentes. Consulte Spark Submit (legado) para obter a documentação original deste tipo de tarefa. Continue lendo para obter instruções de migração.

Por que o Spark Submit está sendo descontinuado?

O tipo de tarefa Spark Submit está sendo descontinuado devido a limitações técnicas e lacunas de recursos que não estão na tarefa JAR Python de script, Notebook ou . Essas tarefas oferecem melhor integração com o recurso Databricks , melhor desempenho e maior confiabilidade.

Medidas de depreciação

A Databricks está implementando as seguintes medidas em conexão com a descontinuação:

Criação restrita : somente usuários que usaram a tarefa Spark Submit no mês anterior, a partir de novembro de 2025, podem criar uma nova tarefa Spark Submit . Se precisar de uma exceção, entre em contato com o suporte da sua account .
Restrições de versão do DBR : o uso do Spark Submit é restrito às versões existentes do DBR e às versões de manutenção. As versões existentes do DBR com Spark Submit continuarão a receber versões de manutenção de segurança e correção de bugs até que o recurso seja desativado completamente. O DBR 17.3+ e 18.x+ não oferecem suporte a esse tipo de tarefa.
Avisos da IU : avisos aparecem em toda a IU Databricks onde as tarefas Spark Submit estão em uso, e as comunicações são enviadas aos administradores workspace em conta dos usuários existentes.

Migrar cargas de trabalho JVM para JAR tarefa

Para cargas de trabalho JVM , migre sua tarefa Spark Submit para tarefa JAR . JAR tarefa fornece melhor suporte a recursos e integração com Databricks.

Siga estes passos para migrar:

Crie uma nova tarefa JAR em seu trabalho.
Nos parâmetros da tarefa de envio do Spark , identifique os três primeiros argumentos. Eles geralmente seguem este padrão: ["--class", "org.apache.spark.mainClassName", "dbfs:/path/to/jar_file.jar"]
Remova o parâmetro --class .
Defina o nome da classe principal (por exemplo, org.apache.spark.mainClassName) como a classe principal para sua tarefa JAR.
Forneça o caminho para o seu arquivo JAR (por exemplo, dbfs:/path/to/jar_file.jar) na configuração da tarefa JAR.
Copie todos os argumentos restantes da sua tarefa Spark Submit para os parâmetros da tarefa JAR.
executar a tarefa JAR e verificar se ela funciona conforme o esperado.

Para informações detalhadas sobre a configuração JAR tarefa, consulte JAR tarefa.

Migrar cargas de trabalho R

Se você estiver iniciando um script R diretamente de uma tarefa do Spark Submit , vários caminhos de migração estarão disponíveis.

Opção A: Usar tarefa Notebook

Migre seu script R para um Databricks Notebook. Notebook tarefa oferece suporte a um conjunto completo de recursos, incluindo dimensionamento automático cluster , e fornece melhor integração com a plataforma Databricks .

Opção B: Bootstrap R scripts de uma tarefa do Notebook

Use uma tarefa do Notebook para inicializar seus scripts R. Crie um Notebook com o seguinte código e referencie seu arquivo R como um parâmetro Job. Modifique para adicionar parâmetros usados pelo seu script R, se necessário:

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

Encontre trabalhos que utilizem Spark Envie sua tarefa.

Você pode usar os seguintes scripts Python para identificar trabalhos em seu workspace que contenham tarefas de envio Spark . Será necessário um token de acesso pessoal válido ou outro tipo de token , e o URL do seuworkspace deverá ser utilizado.

Opção A: Varredura rápida (execução apenas desta primeira tarefa persistente)

Este script apenas verifica trabalhos persistentes (criados via /jobs/create ou a interface web) e não inclui trabalhos efêmeros criados via /runs/submit. Este é o método inicial recomendado para identificar o uso do Spark Submit, pois é muito mais rápido.

Python
#!/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()

Opção B: Varredura completa (mais lenta, inclui trabalhos temporários dos últimos 30 dias)

Se você precisar identificar trabalhos efêmeros criados via /runs/submit, use este script mais completo. Este script analisa todas as execuções de Job dos últimos 30 dias em seu workspace, incluindo Job persistentes (criados via /jobs/create) e Job efêmeros. Em espaços de trabalho grandes, a execução deste script pode levar horas.

Python
#!/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()

Precisar de ajuda?

Se precisar de ajuda adicional, entre em contato com o suporte da sua account .

Por que o Spark Submit está sendo descontinuado?​

Medidas de depreciação​

Migrar cargas de trabalho JVM para JAR tarefa​

Migrar cargas de trabalho R​

Opção A: Usar tarefa Notebook​

Opção B: Bootstrap R scripts de uma tarefa do Notebook​

Encontre trabalhos que utilizem Spark Envie sua tarefa.​

Opção A: Varredura rápida (execução apenas desta primeira tarefa persistente)​

Opção B: Varredura completa (mais lenta, inclui trabalhos temporários dos últimos 30 dias)​

Precisar de ajuda?​