今天Cloudera正式宣布發布CDS3，基于Apache Spark 3.0 preview2 release，參考：
https://spark.apache.org/news/spark-3.0.0-preview2.html
?
這是一個實驗版本，建議用于測試或者技術預研，不建議在生產系統中使用。而且這個版本不受Cloudera Support支持。對于Spark3的新特性，可以參考文章《開源生態的新發展：Apache Spark 3.0、Koala和Delta Lake》。
以下是Spark3的關鍵新特性：
1.Spark3的TPC-DS性能進一步提升；
2.語言支持
a)Scala version is upgraded to 2.12
b)JDK11 is fully supported.
c)Python3.6+ is supported. Python 2 and Python 3 prior to version 3.6 are deprecated
3.Adaptive execution of Spark SQL
a)對于AQE而言，最重要的問題就是什么時候去重新計算優化執行計劃。Spark任務的算子如果管道排列，依次并行執行。然而，shuffle或者broadcast exchange會打斷算子的排列執行，我們稱其為物化點（Materialization Points），并且用"Query Stages"來代表那些被物化點所分割的小片段。每個Query Stage會產出中間結果，當且僅當該stage及其并行的所有stage都執行完成后，下游的Query Stage才能被執行。所以當上游部分stage執行完成，partitions的統計數據也獲取到了，并且下游還未開始執行，這就給AQE提供了reoptimization的機會。在查詢開始時，生成完了執行計劃，AQE框架首先會找到并執行那些不存在上游的stages。一旦這些stage有一個或多個完成，AQE框架就會將其在physical plan中標記為完成，并根據已完成的stages提供的執行數據來更新整個logical plan?；谶@些新產出的統計數據，AQE框架會執行optimizer，根據一系列的優化規則來進行優化；AQE框架還會執行生成普通physical plan的optimizer以及自適應執行專屬的優化規則，例如分區合并、數據傾斜處理等。于是，我們就獲得了最新優化過的執行計劃和一些已經執行完成的stages，至此為一次循環。接著我們只需要繼續重復上面的步驟，直到整個query都跑完。
4.Dynamic Partition Pruning (DPP)
a)Spark 3.0引入了動態分區裁剪功能，這是SQL分析工作負載的一項重大性能改進。DPP背后的想法是將維度表上的篩選器集直接應用到事實表上，以便跳過掃描不需要的分區。DPP的優化是在邏輯計劃優化和物理計劃上實現的。它大大增強了許多TPC-DS查詢的速度，并且可以很好的適應星型模型，而無需對表進行反范式化(Denormalization)。
5.Binary files data source
a)Spark 3.0支持二進制文件數據源。它可以讀取二進制文件，并將每個文件轉換為包含文件原始內容和元數據的一行。
6.DataSource V2 Improvements
a)Pluggable catalog integration
b)改進謂詞下推功能，可通過減少數據加載來加快查詢速度
7.YARN Features
a)Spark 3.0可以自動在YARN集群上發現GPU，并將任務調度到指定的GPU節點。
8.Kafka connector delegation token (0.10+)
a)對應用只需要配置Spark的參數就可以完成認證登錄，而不是非需要使用JAAS配置登錄。
該試驗版本不支持以下組件：
- Hive Warehouse Connector
- Kudu
- HBase Connector
- Oozie
- Livy
- Zeppelin
