watsonx.data APIs geben im watsonx.data Lite-Tarif eine leere Antwort zurück (Katalog „sample_data“)

Die folgenden watsonx.data API-Endpunkte geben leere Antworten für Beispiel-Hive-Kataloge ( IBM COS-Bucket) zurück:

Unity-APIs

• /api/2.1/unity-catalog/schemas/{catalog_name}.{schema_name}
• /api/2.1/unity-catalog/tables?catalog_name={catalog_name}&schema_name={schema_name}

Konsolen-APIs

• /v3/tables/{table_name}?catalog_name={catalog_name}&schema_name={schema_name}
• /v3/columns?catalog={catalog_name}&schema={schema_name}
• /v3/schemas/{schema_name}?catalog={catalog_name}
• /v3/schemas?catalog={catalog_name}

Spark-Anwendungen werden bei Verwendung privater Endpunkte nicht in der Konsole angezeigt

Wenn Sie Virtual Private Endpoints (VPE) für erhöhte Sicherheit aktivieren, sind Spark-Anwendungen, die an private Endpunkte gesendet werden, in der watsonx.data Konsole nicht sichtbar. Die Anwendungsliste wird nur angezeigt, wenn auch öffentliche Endpunkte aktiviert sind.

Workaround: Sie können über das VPE-Gateway von Ihrer VPC aus auf die Anwendungsliste zugreifen.

ANALYZE TABLE Operationen an Tabellen im sample_data Katalog werden nicht unterstützt

CPG Import/Export wird für Instanzen im watsonx.data Kontenbereich nicht unterstützt

Für die watsonx.data Instanzen, die jetzt auf Kontoebene gelten, wird die Import-/Exportfunktion des Common Policy Gateway (CPG) nicht unterstützt. Jeder Versuch, diese Funktionen zu verwenden, schlägt fehl und führt zur folgenden Fehlermeldung: import/export features will not be supported for this instance: <instanceID>.

Spark 4.0 kann SQL-Abfragen im ANSI-Modus mit der angegebenen Konfiguration nicht ausführen

Wenn SQL-Abfragen auf Spark 4.0 mit aktiviertem ANSI-Modus (spark.sql.ansi.enabled=true) ausgeführt werden, schlagen die Abfragen aufgrund ExtendedAnalysisException der strengen Typenüberprüfung im ANSI-Modus fehl. Dieses Problem tritt auch bei Konfigurationen auf, die mit Spark funktionieren 3.5.

Workaround: Verwenden Sie den Nicht-ANSI-Modus, indem Sie den Parameter wie folgt einstellen: "spark.sql.ansi.enabled": "false"

Deaktivieren Sie den ANSI-Modus in Spark, 4.0 um Fehler bei TPC-DS-Abfragen zu vermeiden

Wenn Sie Spark 4.0 als Laufzeitumgebung verwenden, ist der ANSI-Modus standardmäßig aktiviert. Dies führt zu Fehlern bei der Ausführung von Standard-TPC-DS-Abfragen. Um diese Probleme zu vermeiden, sollte der ANSI-Modus in 4.0 Spark-Vorlagen deaktiviert werden, indem die Konfiguration entsprechend angepasst spark.sql.ansi.enabled": "false" wird. Dadurch wird sichergestellt, dass der ANSI-Modus nicht automatisch aktiviert wird, und es werden Abfrageinkompatibilitäten verhindert.

Zugriffsfehler, wenn Context-based restrictions aktiviert ist

Wenn Context-based restrictions aktiviert ist, schlagen Ingestionsaufträge fehl. Darüber hinaus schlagen auch andere Vorgänge fehl, für die Zugriffsrechte als Metastore-Administrator erforderlich sind. Die Funktionen „Ingestion“ und „Admin-Level Operations“ funktionieren wie erwartet, wenn CBR deaktiviert ist.

watsonx.data Assistent-Vorgang schlägt aufgrund der context-based restrictions Netzwerkrichtlinie fehl

Beim Versuch, Informationen für eine watsonx.data Instanz über den watsonx.data Assistenten abzurufen, kann die Anfrage mit einem Authentifizierungsfehler fehlschlagen, wenn auf Kontoebene Context-based restrictions aktiviert ist. Dies tritt auf, wenn der watsonx.data Assistent nicht in den vertrauenswürdigen IP-Adressen enthalten ist, die in der Context-based restrictions Richtlinie definiert sind, was dazu führt, dass die API-Anfrage abgelehnt wird.

Zugriff verweigert-Fehler in Presto und Spark-Abfragen, wenn der Hadoop Ranger-Dienst integriert ist

Bei der Integration des Hadoop Ranger-Dienstes in schlagen SQL-Abfragen, die watsonx.data mit der Presto Engine ausgeführt werden, mit folgender Fehlermeldung fehl: Access denied: USE. Dies tritt bei Vorgängen wie dem Erstellen von Schemata im Standardkatalog über den Abfragearbeitsbereich auf. Wenn der Presto Ranger-Dienst konfiguriert ist und die Abfrage mit der Spark-Engine ausgeführt wird, schlägt die Abfrage ebenfalls mit demselben Fehler fehl.

Fehler beim Filtern der Spalten DATE, TIME, TIMESTAMP und VARBINARY mithilfe der WHERE-Klausel in MongoDB Connector

Bei Verwendung des MongoDB Connectors in geben Abfragen mit einer WHERE Presto Klausel keine Datensätze zurück, wenn sie nach Spalten der folgenden Datentypen gefiltert werden:

• DATUM
• ZEIT
• TIMESTAMP
• Varbinary

Diese Einschränkung wirkt sich auf Szenarien aus, in denen Governance-Regeln wie ROW FILTER sich zur Bewertung auf die zugrunde liegende WHERE Klausel stützen.

Manuelle Synchronisierung des Query Optimizer-Metastores für Lite-Tarif nicht verfügbar

Für Lite-Instanzen von werden sowohl die manuelle watsonx.data Synchronisierung als auch die anfängliche Metastore-Synchronisierung für den Abfrageoptimierer in Version nicht unterstützt 2.3. Wenn die anfängliche Synchronisierung fehlschlägt, greifen Kundenabfragen auf den nativen Optimierer von Presto statt auf den Abfrageoptimierer zurück. Weitere Informationen finden Sie unter Manuelles Synchronisieren des Abfrageoptimierers mit dem Metastore.

Fehler beim Verbinden mit watsonx.data vom Bildschirm Chat with Document

Beim Versuch, über den Bildschirm Chat with Document eine Verbindung zu watsonx.data herzustellen (insbesondere in der Region ca-tor), tritt folgender Fehler auf: Fehler: A data source of the specified type [null] does not exist.

Die Deaktivierung der ACL UI verhindert nicht die Zeilenfilterung in Presto

Die Deaktivierung von GenAI ACLs über die Konsolen-Benutzeroberfläche verhindert die Filterung auf Zeilenebene in Presto nicht vollständig. Dies geschieht, weil Presto den ACL-Status prüft, indem es die GET /acl_storage API nach dem Vorhandensein des ACL-Buckets befragt. Wenn der Bereich noch registriert ist, wird die Filterung fortgesetzt, auch wenn die ACLs in der Benutzeroberfläche deaktiviert wurden.

Umgehung: Nachdem Sie ACLs über die Benutzeroberfläche deaktiviert haben, löschen Sie den ACL-Bereich manuell unter watsonx.data.

Unerlaubter Spaltenzugriff über Tabellen mit identischen Schemafeldern

Wenn einem Benutzer Zugriff auf eine bestimmte Tabelle innerhalb eines Schemas gewährt wird, kann er unerwartet Spalten aus anderen Tabellen desselben Schemas anzeigen und abfragen, wenn diese Tabellen dieselben Spaltennamen haben. Dies geschieht, obwohl der Benutzer keine expliziten Zugriffsrichtlinien für die anderen Tabellen hat.

EXT_METASTORE_SYNC schlägt fehl, weil der Katalogname nicht übereinstimmt

Die Benutzer kennen den in den Metadaten gespeicherten Katalognamen möglicherweise nicht. Wenn also der in der Benutzeroberfläche watsonx.data verwendete Katalogname von dem in der Metadatendatei angegebenen abweicht, schlägt EXT_METASTORE_SYNC fehl und verhindert die Verwendung des Abfrageoptimierers.

Umgehung: Erstellen Sie einen Katalog mit demselben Namen wie in den Metadaten-Dateien.

Node zuweisungsverzögerung beim Motorneustart

Während der Neustartphase kann die Engine aufgrund der begrenzten Verfügbarkeit eines Knotens keinen Knoten zuweisen. Infolgedessen verzögert sich die Schemaerstellung erheblich.

Die Seite mit den Speicherdetails in der Spark-Historienoberfläche wird leer geladen

Die Seite "Speicherdetails" in der Spark-Historienoberfläche kann keinen Inhalt darstellen. Während die Seite geladen wird, bleibt sie völlig leer, so dass die Benutzer keine speicherbezogenen Informationen anzeigen oder verwalten können. Um detaillierte Speicherinformationen (Blockaktualisierung) in den Ereignisprotokollen zu erfassen, müssen Sie die Konfiguration spark.eventLog.logBlockUpdates.enabled beim Einreichen der Anwendung aktivieren. Weitere Informationen finden Sie unter Einreichen einer Spark-Anwendung mit der nativen Spark-Engine und Zugriff auf den Spark-Historienserver.

Spark-Anwendung kann nicht ausgeführt werden, wenn der Dateiname Leerzeichen oder Sonderzeichen enthält

Wenn Sie eine Python (.py)-Datei mit Leerzeichen oder Sonderzeichen im Dateinamen hochladen (z. B. wordcount (1).py), wird der Spark-Auftrag nicht ausgeführt. Das System kann solche Dateinamen nicht verarbeiten, was zu folgendem Fehler bei der Auftragsübermittlung führt.

/opt/ibm/entrypoint/start-spark-job-wrapper.sh: eval: line 293: syntax error near unexpected token (' /opt/ibm/entrypoint/start-spark-job-wrapper.sh: eval: line 293: spark-submit --master spark://spark-master-headless-b778988f-24ff-49c2-aa05-a56f3c204f0b:7077 s3a://sparkqa-donotdelete-pr-7aqi2frntm5vlz/spark_jobs/uploads/8f472c67-23aa-4f94-8ed6-c9f2dbe13e20/application/wordcount (1).py '/opt/ibm/spark/examples/src/main/resources/people.txt''

Umgehung: Um dieses Problem zu vermeiden, müssen Sie die Anwendungsdatei Python umbenennen, um Leerzeichen und Sonderzeichen vor dem Hochladen zu entfernen. Benennen Sie zum Beispiel wordcount (1).py in wordcount_1.py um.

Prepared Statement schlägt bei langen SQL-Abfragen aufgrund von Größenbeschränkungen für Header in IBM fehl watsonx.data Presto

Vorbereitete Anweisungen für lange und komplexe SQL-Abfragen können bei der Ausführung über Flight service oder JDBC Clients (z. B. DBeaver) fehlschlagen. Dieser Fehler wird durch interne Serverfehler verursacht, die auf die Überschreitung der standardmäßigen HTTP Header-Größenbeschränkungen in der Presto Engine zurückzuführen sind. Das Problem ist in Watsonx BI reproduzierbar, wenn metrische Datenbestände mit SQL-Abfragen von etwa 14KB angereichert werden.

Dies ist keine Einschränkung von PrestoDB selbst, sondern eher eine Folge der Funktionsweise der JDBC PreparedStatement API. Wenn ein Client oder ein BI-Tool PreparedStatement, verwendet, werden der SQL-Text und die Parameter-Metadaten serialisiert und als Teil der Header der HTTP-Anfrage an den Presto-Koordinator übermittelt. Dieses Verhalten ist Standard für JDBC Treiberimplementierungen und nicht spezifisch für Presto 's Query Engine.

Umgehung: Um dieses Problem zu entschärfen, können Sie je nach Arbeitsbelastung die folgenden Maßnahmen ergreifen:

1. Erhöhen Sie die Größenbeschränkungen für Kopfzeilen

   Aktualisieren Sie die Konfiguration der Presto Engine mit den folgenden Parametern, um größere Abfragen zu unterstützen:

   • http-server.max-request-header-size=128kB
   • http-server.max-response-header-size=128kB Diese Eigenschaften sind bereits in der Whitelist enthalten und können über die Anpassungs-API angepasst werden.

   Der aktuelle Standardwert wird auf der Grundlage typischer Abfragegrößen festgelegt. Die standardmäßige Anhebung des Größenlimits für die Kopfzeile von Anfragen kann jedoch gewisse Nachteile mit sich bringen. Eine größere Header-Größe erhöht das Risiko von Denial-of-Service-Angriffen (DoS DoS ), da dadurch mehr Daten in jeder Anfrage gesendet werden können. Darüber hinaus verbraucht jede HTTP Anfrage mehr Speicher, was bei hoher Parallelität erheblich werden kann. Daher sollten diese Werte vorsichtig auf der Grundlage Ihrer Umgebung und Abfragemuster angepasst werden.

2. Vermeiden Sie die Verwendung von PreparedStatement für große Abfragen

   Wenn Ihr BI-Tool oder Ihre Arbeitslast dazu neigt, sehr große SQL-Abfragen zu generieren, sollten Sie PreparedStatement deaktivieren und stattdessen createStatement verwenden. Dies vermeidet die Übertragung großer SQL-Nutzdaten über HTTP Header und kann ein besser skalierbarer Ansatz sein.

Milvus und die Seite Presto mit den Bearbeitungsdetails zeigt nach der Erstellung zunächst einen internen Serverfehler

Wenn Sie versuchen, die Beschreibung auf der Seite mit den Motordetails Milvus und Presto kurz nach der Erstellung des Motors zu bearbeiten, kann ein interner Serverfehler 500 auftreten. Dieses Problem tritt in der Regel bei den ersten Versuchen auf, weil das System die Weitergabe von Richtlinien aufgrund der Zwischenspeicherung verzögert.

Verzögerung bei der Aktualisierung der Politik

Bei Aktualisierungen der CPG- und AMS-Richtlinien kann es etwas länger dauern, bis sie im gesamten System berücksichtigt werden. Diese Verzögerung ist auf die neue Caching-Methode zurückzuführen und ist ein erwartetes Verhalten.

Externe Spark-Engine kann keine Verbindung zum Amazon S3 Speicher herstellen

Wenn eine externe Spark-Engine verwendet wird, um auf Daten zuzugreifen, die in einem amazon_s3 Bucket gespeichert sind, der mit rollenbasierter IAM-Authentifizierung konfiguriert ist, kann die Engine keine Verbindung herstellen oder Daten abrufen.

Konvertierung von MOR in COW-Tabellen schlägt in Spark fehl 4.0

Die MOR-zu-COW-Tabellenkonvertierung der Spark-Anwendung wird in Spark 4.0 nicht unterstützt.

Umgehung: Verwenden Sie die Spark-Versionen 3.4 oder 3.5, um die Konvertierung von MOR in COW-Tabellen durchzuführen.

Dashboard-Vorschau zeigt Nullwerte mit Presto (C++)-Engine an, da die Spaltennamen im Hive-Katalog nicht übereinstimmen

Die Presto (C++)-Engine bewirkt, dass das Vorschau-Dashboard alle Nullwerte für bestimmte Tabellen anzeigt, da die Spaltennamen in den Parquet-Dateien und der Hive Katalogkonfiguration nicht übereinstimmen.

Umgehung: Wenden Sie die folgende Sitzungseigenschaft an:

   set session [catalog_name].file_column_names_read_as_lower_case=true;

Manta-Anwendungen können nicht auf Spark ausgeführt werden 4.0

Manta-Anwendungen (Iceberg, Hudi, Hive, Delta) werden nicht ausgeführt, wenn sie auf Spark 4.0 übertragen werden.

Umgehung: Führen Sie Manta-Anwendungen mit anderen verfügbaren Spark-Versionen aus.

Testverbindung für Pfeilverbindungen schlägt in FIPS-aktivierten Clustern fehl

Die Testverbindung für Pfeilkonnektoren kann beim Einsatz in FIPS-aktivierten Clustern aufgrund kryptografischer Einschränkungen fehlschlagen. Dies betrifft Konnektoren wie Greenplum, MariaDB, und Salesforce, die während der Verbindungsvalidierung auf zugrunde liegende Datenquellen oder Bibliotheken zurückgreifen, die nicht mit dem FIPS-Modus kompatibel sind.

Apache Kafka testverbindung schlägt in FIPS-aktivierten Clustern fehl

Bei Apache Kafka kann die Testverbindung fehlschlagen, wenn der SASL_MECHANISM nicht ausdrücklich auf " SCRAM-SHA-512 " gesetzt ist. Dieser Mechanismus ist mit den FIPS-Anforderungen kompatibel und sollte verwendet werden, um erfolgreiche Verbindungstests in FIPS-fähigen Umgebungen zu gewährleisten.

Nicht unterstützte Sonderzeichen bei der Erstellung von Schemata und Tabellen über die Ingestion UI

Die folgenden Sonderzeichen werden beim Erstellen von Schemata und Tabellen über die Ingestion-Benutzeroberfläche nicht unterstützt: % und + Diese Einschränkungen werden durch die Beschränkungen der zugrunde liegenden Speicher-Engines wie Hive, Delta und Hudi erzwungen. Während die Datenverwaltungsseite eine breitere Palette von Sonderzeichen zulässt (z. B. !, @, #, &, _, -, =, +, ], }, < und >), erzwingt der Ingestion Flow eine strengere Validierung, um die Kompatibilität zwischen den Diensten sicherzustellen.

Abfrageausführung schlägt vorübergehend fehl, nachdem abgelaufene Speicher- oder Datenbankanmeldeinformationen aktualisiert wurden

Nach der Aktualisierung abgelaufener Anmeldeinformationen für eine Speicher- oder Datenbankressource, die mit einer Presto-Engine verbunden ist, schlägt die Abfrageausführung im Abfragearbeitsbereich etwa 30 bis 40 Sekunden lang fehl. Nach dieser Verzögerung werden die Abfragen erfolgreich und ohne weitere Probleme ausgeführt.

Statistiksynchronisierungsauftrag bleibt während der Ausführung stecken

Statistiksynchronisierungsaufträge können aufgrund unbekannter Bedingungen während der Ausführung stecken bleiben. In diesem Fall können die Benutzer die Protokolle überprüfen, um den Auftragsstatus im Optimierer oder unter Db2 einzusehen. Wenn der Auftragsstatus NOTRECEIVED, NOTRUN oder UNKNOWN lautet, muss der Benutzer das Löschen des Auftrags manuell erzwingen.

Nachdem der festgefahrene Auftrag gelöscht wurde:

• Wenn sich derzeit Aufträge in der Warteliste befinden, wird der erste automatisch in den Status "Aktiv" versetzt und mit der Ausführung begonnen.
• Wenn keine Aufträge in der Warteschlange stehen, können die Benutzer manuell einen neuen Auftrag einreichen.

Statusdefinitionen:

• NOTRECEIVED: Das System hat keinen Anruf für die angegebene Aufgaben-ID erhalten.
• NOTRUN: Ein Fehler hat den Scheduler daran gehindert, die Prozedur der Aufgabe aufzurufen.
• UNKNOWN: Der Task wurde ausgeführt, aber der Scheduler konnte das Ergebnis aufgrund einer unerwarteten Bedingung nicht aufzeichnen.

Kompatibilitätsproblem: Spark kann keine Eisberg-Tabellen lesen, die von presto mit Parquet geschrieben wurden V2

Spark kann keine Daten lesen, die von Presto in Iceberg-Tabellen eingefügt wurden, wenn Presto explizit für die Verwendung des Parquet V2 Writers konfiguriert ist. Dieses Problem tritt auf, weil Spark keine vektorisierten Lesevorgänge für bestimmte Parquet V2-Kodierungen, wie DELTA_BINARY_PACKED, unterstützt. Eine typische Fehlermeldung ist UnsupportedOperationException: Cannot support vectorized reads for column [CustomerID] optional int32 CustomerID = 1 with encoding DELTA_BINARY_PACKED. Disable vectorized reads to read this table/file at org.apache.iceberg.arrow.vectorized.parquet.VectorizedPageIterator.initDataReader(VectorizedPageIterator.java:98).

Umgehung: Wenn dieser Fehler beim Lesen einer Tabelle auftritt, insbesondere einer Tabelle, die mit früheren Versionen von watsonx.data erstellt wurde, setzen Sie die folgende Spark-Konfiguration.

   config("spark.sql.iceberg.vectorization.enabled", "false")

Einschränkung der Abfrage der rollenbezogenen Tabelle information_schema für tpcds oder tpch Konnektoren

Bei der Abfrage der rollenbezogenen Tabelle information_schema für tpcds oder tpch Konnektoren tritt ein Fehler auf. Dieses Verhalten ist beabsichtigt und wird für diese Konnektoren in Presto erwartet, da tpcds und tpch Benchmarking-Konnektoren sind, die keine rollenbasierten Sicherheitsfunktionen unterstützen.

Umgehung: Um Fehler zu vermeiden, vermeiden Sie die Abfrage von rollenbezogenen information_schema-Tabellen (z. B. applicable_roles, enabled_roles und roles) für tpcds oder tpch connectors.

Verwenden Sie gültige Schema-, Tabellen- und Spaltennamen, um die Zuverlässigkeit von Abfragen zu gewährleisten

Vermeiden Sie die Verwendung führender oder nachgestellter Leerzeichen in Schema-, Tabellen- oder Spaltennamen, wenn Sie Tabellen im Arbeitsbereich Query erstellen. Auch wenn die Erstellung erfolgreich ist, können diese zusätzlichen Leerzeichen zu Problemen bei der Abfrage oder Interaktion führen. Um einen reibungslosen und zuverlässigen Betrieb zu gewährleisten, sollten Sie immer saubere Namen ohne zusätzliche Leerzeichen verwenden.

Beschränkungen der BLOB- und CLOB-Unterstützung in Presto

Presto kann von Konnektoren lesen und in diese schreiben, die Tabellen mit BLOB und CLOB Spalten enthalten. Es unterstützt jedoch nicht die Verwendung von BLOB oder CLOB als Spalten-Datentypen in CREATE TABLE Anweisungen.

Verzögerung bei der Durchsetzung von Zugangskontrollmaßnahmen in Milvus

Es gibt eine Verzögerung zwischen der Erstellung von Zugriffskontrollrichtlinien und ihrer Durchsetzung innerhalb von Milvus. Diese Verzögerung entsteht durch die Zeit, die für die Synchronisierung der Richtlinien benötigt wird.

SQL-Ansichten können nicht über verschiedene Engines hinweg abgefragt werden (Spark und Presto )

SQL-Ansichten, die von einer Engine mit Hive iceberg catalog erstellt wurden, werden von anderen Engines erkannt, können aber nicht engineübergreifend abgefragt werden, da eine Engine den SQL-Dialekt einer anderen Engine nicht versteht.

Treiber- und Ressourcengruppendetails fehlen in der Tiny Presto API-Antwort

Die GET presto_engines API gibt derzeit bei der Abfrage von Tiny Presto engines null für driver und resource_groups zurück, da die neue Architektur Treiberdetails aus get_presto_engine-Aufrufen auslässt; bestehende Benutzer können jedoch weiterhin über den Endpunkt /driver_registration auf Treiberinformationen zugreifen.

Daten aus Spalten mit Sonderzeichen im Namen können nicht gelöscht werden

Es ist nicht möglich, Daten aus Spalten mit Sonderzeichen im Namen zu löschen, da Sonderzeichen in Spaltennamen innerhalb der WHERE-Klausel nicht unterstützt werden.

Fehler tritt nach längerer Verwendung von watsonx.data Assistant auf

Nach längerer Verwendung von watsonx.data Assistant tritt folgende Fehlermeldung auf. There is an error with the message you just sent, but feel free to ask me something else.

Umgehung: Laden Sie den Browser neu.

SAL kann nicht erneut registriert werden, nachdem die bestehende Registrierung entfernt wurde

Benutzer, die keine Testbenutzer sind, können SAL nicht erneut registrieren, nachdem sie die bestehende Registrierung gelöscht haben.

Workaround: Führen Sie die folgenden Schritte aus:

1. Fügen Sie den Zugriff für den Benutzer im IAM Access Cloud-Konto hinzu.

2. Verwenden Sie die folgende SAL-API, um die Integration zu löschen.

   curl -X 'DELETE' \ 'https://api.dataplatform.cloud.ibm.com/semantic_automation/v1/wxd_integrations/<wxd-instance-id>' \ -H 'accept: */*' \ -H 'Authorization: Bearer <iam_bearer_token>'

3. Verwenden Sie die folgende API, um den Status der Integration zu überprüfen und sicherzustellen, dass die Integration gelöscht ist.

   curl -X 'GET' \ 'https://api.dataplatform.cloud.ibm.com/semantic_automation/v1/wxd_integrations/<wxd-instance-id>' \ -H 'accept: */*' \ -H 'Authorization: Bearer <iam_bearer_token>'

4. SAL neu registrieren.

Die Erstellung einer materialisierten Tabelle im Abfragearbeitsbereich ist erfolgreich, schlägt aber im Spark-Notebook mit denselben Berechtigungen fehl

Wenn Sie versuchen, eine materialisierte Tabelle mithilfe einer SQL-Abfrage im Arbeitsbereich Query zu erstellen, ist der Vorgang erfolgreich. Der Benutzer hat Lesezugriff auf den Bucket und die entsprechenden Zugriffsrichtlinien (Einfügen, Aktualisieren, Auswählen, Löschen) für den Iceberg-Standardkatalog. Wenn jedoch dieselbe SQL-Anweisung in einem Spark-Notebook mit der Spark-Vorlage watsonx.data ausgeführt wird, wird der folgende Fehler erzeugt the action is not allowed.

Umgehung: Definieren Sie die Richtlinie L3 für den Iceberg-Bucket-Speicher auf der Seite Create access control policy.

Die QHMM-Schaufel wird nur dann mit dem Motor verbunden, wenn der Motor in Betrieb ist

Wenn Sie während des Bereitstellungsstatus einen QHMM-Katalog mit der Engine verknüpfen, gibt das System einen Fehler zurück, der besagt, dass der Katalog auf der Wartbarkeitsseite nicht existiert. Das System assoziiert jedoch automatisch den QHMM-Katalog, wenn der Motor in Betrieb ist.

Benutzer erhalten möglicherweise die Fehlermeldung "Testverbindungsfehler aufgrund ungültiger Anmeldedaten"

Bei einigen Datenquellen kann die Fehlermeldung "Testverbindungsfehler aufgrund ungültiger Anmeldeinformationen" auftreten, auch wenn die Anmeldeinformationen der Datenquelle korrekt sind. Dieses Problem kann trotz gültiger Anmeldedaten auftreten und verhindert erfolgreiche Verbindungstests für Datenquellen.

Umgehung: Wenn Sie auf diesen Fehler stoßen, müssen Sie sich an den IBM Support wenden.

Das Fehlen von NDV-Spaltenstatistiken in Iceberg-Tabellen führt zu suboptimalen Abfrageplänen

In der aktuellen Implementierung werden für Iceberg-Tabellen in Presto ( Java ) und Presto (C++) die NDV-Statistiken (Number of Distinct Values) nicht verwendet, wenn sie in MDS verfügbar sind. NDVs sind wichtig für die Erstellung optimaler Abfragepläne. Ohne sie kann es zu erheblichen Leistungseinbußen kommen.

Umgehung: Verwenden Sie für nicht-partitionierte Tabellen SET SESSION <iceberg_catalog>.hive_statistics_merge_strategy='USE_NULLS_FRACTION_AND_NDV';.

Dieser Workaround gilt nicht für partitionierte Tabellen.

Beschränkung der Konfiguration eines virtuellen privaten Netzwerks

Private Endpunkte werden für externe Engines wie IBM Db2 Warehouse, IBM Netezza, und IBM Analytics Engine (Spark) nicht unterstützt.

HDFS das Hinzufügen von Eimern wird über CPDCTL nicht unterstützt

Das Hinzufügen von HDFS Buckets wird derzeit vom cpdctl wx-data Plugin nicht unterstützt.

IBM watsonx.data Presto connector in Software Hub 5.1.1 und später kann keine Verbindung zu IBM watsonx.data Cloud-Instanz herstellen

IBM watsonx.data Presto connector kann sich aufgrund eines 520 Cloudflare-Fehlers nicht mit der Instanz IBM watsonx.data verbinden. Dieses Problem tritt auf, wenn mehrere gleichzeitige Aufrufe an die GET /engines API erfolgen, insbesondere wenn die Instanz watsonx.data eine große Anzahl von Richtlinien hat.

Die Änderung der Anmeldeinformationen des Spark-Engine-Home-Buckets kann Daten und Abläufe stören

Die Aktualisierung der Zugangsdaten für einen Speicher-Bucket, der während des Bereitstellungsprozesses als Home-Bucket der Spark-Engine festgelegt wurde, kann zu Problemen beim Datenzugriff und Betriebsausfällen führen.

Metastore-Administratoren und Metastore-Betrachter können die Schema- und Tabellendetails nicht anzeigen

Ein Benutzer mit den Berechtigungen "Metastore-Admin" und "Metastore-Viewer" im Arbeitsbereich "Abfrage" und im Datenmanager kann die Schema- und Tabellendetails nur anzeigen, wenn eine Ansichtsrichtlinie für Schemata und Tabellen definiert ist.

Schema-Entwicklungsszenarien scheitern in Presto (C++)

Wenn Sie Tabellenspalten löschen und/oder hinzufügen, können Abfragen fehlschlagen. Sehen Sie sich zum Beispiel die nachstehende Anweisungsfolge an, nach der die Abfragen in der Tabelle fehlschlagen.

   create table ice.s3.tessch.12 (age int, name varchar(25), place varchar(25)
   insert into ice.s3.tessch.t12 values (35, 'ken', 'paris')
   alter table ice.s3.tessch.t12 drop column age
   select * from ice.s3.tessch.t12
   alter table ice.s3.tessch.t8 add column place varchar(25)

Umgehung: Führen Sie für PARQUET den folgenden Befehl in der Sitzung aus:

   set session <catalog-name>.parquet_use_column_names=true;

Ersetzen Sie <catalog-name> durch den tatsächlich verwendeten Katalog.

Oder stellen Sie hive.parquet.use-column-names=true in den Katalogeigenschaften ein. Für ORC stellen Sie hive.orc.use-column-names=true in den Katalogeigenschaften ein.

Problem mit dem türkischen Großbuchstaben İ in der Datenbank Oracle bei Verwendung des Zeichensatzes WE8ISO8859P9 ( ORA-00911 Fehler)

In einer Oracle-Datenbank, die den WE8ISO8859P9-Zeichensatz verwendet, wird das türkische Großbuchstabenzeichen İ im Modus "mixed-case feature flag OFF" (Standard) nicht unterstützt, was zu ORA-00911: Fehlern bei ungültigen Zeichen führt.

Umgehung: Setzen Sie das Kennzeichen für gemischte Groß- und Kleinschreibung auf EIN.

In der Standardansicht von information_schema eines Katalogs werden Schemata und Tabellen aus anderen Katalogen aufgelistet

Wenn ein Benutzer über mehr als einen Katalog verfügt, werden in der Standardansicht von information_schema auch die Schemas und Tabellen aus anderen Katalogen angezeigt, unabhängig davon, welche Kataloge mit der Engine verknüpft sind.

Hive externe Spaltennamen mit Großbuchstaben in voller Breite können nicht erkannt werden, wenn "Dateispaltennamen werden als Kleinbuchstaben gelesen" auf "wahr" gesetzt ist

Wenn die Eigenschaft "presto worker catalog property file-column-names-read-as-lower-case" auf "true" gesetzt ist, werden Feldnamen in ASCII-Großbuchstaben in ASCII-Kleinbuchstaben umgewandelt. Daher werden Daten unter Spaltennamen mit Großbuchstaben in voller Breite nicht erkannt und erscheinen als "null".

Fehler beim Schreiben/Löschen/Aktualisieren aufgrund abgelaufener ADLS-Signatur

Der Spark-Job schlägt mit dem folgenden Fehler fehl, wenn er einen Schreib-/Lösch-/Aktualisierungsvorgang in einem ADLS- Gen1-Speicher ausführt. Dies liegt daran, dass die ADLS-Signatur während des Vorgangs abläuft. java.io.IOException: Server failed to authenticate the request. Make sure the value of Authorization header is formed correctly including the signature

Umgehung: Legen Sie die Ablaufzeit der ADLS-Signatur auf einen hohen Wert fest. Konfigurieren Sie die Eigenschaft, spark.hadoop.spark.hadoop.wxd.cas.sas.expiry.period, um die Ablaufzeit der ADLS-Signatur zu steuern. Ändern Sie den Standardwert von 300s in 43200s.

Presto CLI-Passwort-Größenbeschränkung

Presto CLI unterstützt eine maximale Passwortgröße von 1 KB (1024 Byte). Wenn das Passwort diese Größe überschreitet, kann das System es nicht im Passwortfeld akzeptieren; stattdessen muss es exportiert werden.

Der Datentyp timestamptz wird für eine ORC-Tabelle während des Upgrades von watsonx.data web console nicht unterstützt.

Datenbanknamen, die Bindestriche oder Leerzeichen enthalten, können von der Spark-Engine in einem Python-Notizbuch nicht abgefragt werden, selbst wenn die entsprechende Spark-Zugriffssteuerungserweiterung hinzugefügt wurde.

Die Geschäftsbedingungen bleiben bestehen, nachdem die semantische Automatisierungsschicht aus IBM gelöscht wurde watsonx.data

Geschäftsbedingungen, die für eine SAL-Integration (Semantic Automation Layer) in watsonx.data in IBM Knowledge Catalog importiert wurden, werden nicht entfernt, wenn die Integration gelöscht wird. Dies kann zu doppelten Geschäftsbedingungen führen, wenn anschließend eine neue SAL-Integration aktiviert wird und dieselben oder ähnliche Geschäftsbedingungen erneut hochgeladen werden.

Um doppelte Geschäftsbedingungen zu vermeiden, muss der Cluster-Administrator oder der Benutzer, der die SAL-Registrierung ursprünglich erstellt hat, alle Geschäftsbedingungen, die für die SAL-Integration importiert wurden, manuell löschen.

EXISTS-Klausel in Apache Phoenix-Tabellen generiert Ausnahme bei der Ausführung eines Abfragefehlers

Abfragen, die die EXISTS-Klausel in Apache Phoenix-Tabellen enthalten, schlagen möglicherweise unerwartet fehl, selbst wenn die referenzierte Spalte gültig ist. Dies liegt an Einschränkungen bei der Interpretation der EXISTS-Klausel durch Apache Phoenix, insbesondere in Fällen mit mehrdeutigen oder falsch ausgerichteten Abfragestrukturen.

Umgehung: Um diese Einschränkung zu umgehen, wenden Sie eine der folgenden Strategien an:

• Stellen Sie eine klare Beziehung zwischen der Unterabfrage und der Hauptabfrage her. Fügen Sie eine Filterbedingung in die Unterabfrage ein, um eine sinnvolle Beziehung zwischen der Unterabfrage und der Hauptabfrage herzustellen. Zum Beispiel, wenn department_id_bigint in der Unterabfrage NICHT NULL ist. Weitere Informationen finden Sie im folgenden Beispiel:

  SELECT DISTINCT t1.first_name_varchar, t2.performance_rating_real, t1.team_head_varchar
  FROM phoenix.tm_lh_engine.employee t1, phoenix.tm_lh_engine.departments t2
  WHERE EXISTS (
     SELECT 1
     FROM phoenix.tm_lh_engine.departments
     WHERE department_id_bigint IS NOT NULL
  )
  

• Stellen Sie eine eindeutige Beziehung zwischen den beteiligten Tabellen her, indem Sie die Tabellen in der Unterabfrage explizit verknüpfen. Dadurch wird sichergestellt, dass die Unterabfrage kontextbezogen relevant ist und das Ausführungsproblem behoben wird. Zum Beispiel, wenn t3.department_id_bigint = t2.department_id_bigint in der Unterabfrage. Weitere Informationen finden Sie im folgenden Beispiel:

  SELECT DISTINCT t1.first_name_varchar, t2.performance_rating_real, t1.team_head_varchar
  FROM phoenix.tm_lh_engine.employee t1, phoenix.tm_lh_engine.departments t2
  WHERE EXISTS (
     SELECT 1
     FROM phoenix.tm_lh_engine.departments t3
     WHERE t3.department_id_bigint = t2.department_id_bigint
  )
  

Hive unterstützt nicht das CSV-Format für die Spalte "create table int type

Der Hive unterstützt nicht das CSV-Format für die Spalte "create table int type". Der folgende Fehler wird angezeigt:

presto> create table  hive_data.hive_schema.intcsv ( type int ) with ( format = 'CSV' ) ;
Query 20241017_021409_00059_fmcyt failed: Hive CSV storage format only supports VARCHAR (unbounded). Unsupported columns: type integer

Umgehung: Verwenden Sie die folgenden Optionen für den Hive:

• Tabelle in varchar erstellen.
• Erstellen Sie eine Ansicht, die die Spalten in ihre ursprünglichen Datentypen umwandelt.

Inkonsistentes Verhalten beim Einlesen von CSV- und Parquet-Dateien

Obwohl die Entwurfsspezifikationen besagen, dass CSV-Dateien nur in Tabellen aufgenommen werden sollten, die aus CSV-Dateien erstellt wurden, und Parkettdateien nur in Tabellen aufgenommen werden sollten, die aus Parkettdateien erstellt wurden, gibt es eine Diskrepanz im tatsächlichen Verhalten, wenn Benutzer CSV-Dateien in Parketttabellen aufnehmen können. Dies kann zu unerwarteten Ergebnissen, Datenqualitäts- oder Leistungsproblemen führen, wenn das Schema oder die Formatierung der CSV- oder Parquet-Datei nicht mit der erwarteten Struktur der Zieltabelle übereinstimmt.

Ungültige Dateiverknüpfungen in der Presto-Ressourcengruppe durch UI- und Engine-Neustart-Probleme

Wenn eine ungültige Datei für eine Engine in der Presto-Ressourcengruppe über die watsonx.data-Benutzeroberfläche zugeordnet wird, wird die Engine neu gestartet. Die Benutzeroberfläche kann jedoch fälschlicherweise anzeigen, dass der Motor die neu zugewiesene Datei verwendet.

Abhilfe: Wenn Sie feststellen, dass die neue Datei nicht mit der watsonx.data-Umgebung verknüpft ist, wenden Sie sich an den IBM-Support für weitere Unterstützung.

Unterstützung des Datentyps Zeit in Hive und Iceberg

Hive: Der Hive-Katalog unterstützt den Datentyp Zeit nicht von Haus aus.

Eisberg: Iceberg unterstützt den Datentyp Zeit.

Umgehung: Um die korrekte Verarbeitung von Zeitdaten in Iceberg-Tabellen zu ermöglichen, muss die Eigenschaft hive.parquet-batch-read-optimization-enabled auf false gesetzt werden.

Dateien mit unterschiedlichen Schemata führen zu Nullwerten

watsonx.data unterstützt nun das Einlesen von unterstützten Dateitypen mit unterschiedlichen Schemata. Wenn jedoch Spalten in diesen Dateien unterschiedliche Schemata haben, werden die Werte in diesen Spalten auf Null gesetzt.

Nicht unterstützte Sonderzeichen bei der Erstellung von Schemas, Tabellen und Speicherorten

Die folgenden Sonderzeichen werden beim Erstellen von Schemata, Tabellen und Speicherorten nicht unterstützt:

Schemas ( Hive und Iceberg): $, ^, +, ?, *, {, [, (, ) und /.

Tabellen ( Hive ): $, ^, +, ?, *, {, [, (, ), /, }, ", und '(Die Erstellung von Tabellen innerhalb eines Schemanamens, der mit dem Sonderzeichen @ beginnt, führt zu einem Fehler).

Tabellen (Eisberg):$, ^, +, ?, *, {, [, (, ), /, @, }, ", und '.

Speicherort: $, ^, +, ?, *, {, [, (, }, @, ", und '.

Es wird empfohlen, in Tabellen-, Spalten- und Schemanamen keine Sonderzeichen wie Fragezeichen (?), Bindestrich (-), Sternchen (*) oder Trennzeichen wie \r, \n und \t zu verwenden. Obwohl diese Sonderzeichen unterstützt werden und Tabellen, Spalten und Schemata erstellt werden können, kann ihre Verwendung zu Problemen führen, wenn der Befehl INSERT ausgeführt oder Zugriffsrichtlinien dafür angewendet werden.

Um einen reibungslosen Ablauf zu gewährleisten, befolgen Sie bitte die folgende Liste:

• Schema-Namen können Buchstaben, Zahlen oder eine der folgenden Adressen enthalten: !, #, &, ], }, <, >, =, % und @.
• Tabellennamen können Buchstaben, Zahlen oder eine der folgenden Adressen enthalten: !, #, &, ], }, <, >, = und ;.
• Die Spalten können Buchstaben und Zahlen enthalten, eine davon !, #, &, [, ], < >, _, : und @.

ALTER TABLE Vorgang schlägt bei der Spark-Auftragsübermittlung fehl

Spark-Jobs, die ein Schema und eine Tabelle erstellen und dann eine ALTER TABLE-Operation versuchen, können aufgrund unzureichender Berechtigungen auf ein authz.AccessControlException-Problem stoßen.

Dies liegt daran, dass der Auftrag trotz erfolgreicher Schema- und Tabellenerstellung versucht, den Vorgang ALTER TABLE auszuführen, bevor die Metaspeicherdaten mit den neu erstellten Schema- und Tabellendetails aktualisiert werden.

Abhilfe: Um Zugriffsverweigerungsfehler zu vermeiden, müssen Sie eine zeitliche Verzögerung zwischen den einzelnen Operationen vorsehen, die die Erstellung neuer Schemas oder Tabellen innerhalb desselben Python-Skripts beinhalten.

Umgehung: Sie können DAS deaktivieren oder sicherstellen, dass Ihre Buckets oder Objektspeicher mit HTTPS konfiguriert sind.

Der Versuch, Parquet v2-Tabellen über Presto (C++) zu lesen, führt zu einem Fehler

Wenn Sie versuchen, Parquet v2-Tabellen über Presto (C++) zu lesen, die über den Datenmanager in watsonx.data erstellt wurden, wird der folgende Fehler angezeigt:

Error in ZlibDecompressionStream::Next

Abhilfe: Presto (C++) unterstützt derzeit nicht das Lesen von Parquet v2 Tabellen. Sie müssen die Daten in eine neue Tabelle im Format v1 kopieren, um für das Lesen mit Presto (C++) kompatibel zu sein.

1. Setzen Sie die Eigenschaft der Sitzung auf PARQUET_1_0:

   set session <catalog_name>.parquet_writer_version = 'PARQUET_1_0';
   

2. Führen Sie den folgenden Befehl aus, um die Daten in eine neue Tabelle zu kopieren:

   create table <catalog name>.<schema name>.<table name> as (select * from <originaltablename>;
   

Spark Ingestion unterstützt derzeit keine Sonderzeichen wie Anführungszeichen, rückwärtige Häkchen und Klammern für partitionierte Tabellenspaltennamen.

Bei dem Versuch, mit Presto (C++)-Engines Tabellen im Zusammenhang mit Query History and Monitoring Management (QHMM) abzufragen, können Fehler auftreten

Wenn Sie versuchen, QHMM-bezogene Tabellen mit Presto (C++)-Engines abzufragen, können Fehler aufgrund nicht unterstützter Dateiformate auftreten. Presto (C++) unterstützt nur Parquet v1. Sie können Presto (C++) nicht verwenden, um Daten oder Tabellen in anderen Formaten abzufragen.

Abhilfe: Sie können zur Verwendung von Presto (Java) Engines wechseln, um QHMM-bezogene Tabellen abzufragen.

Fehler beim Erreichen der Server-Gleichzeitigkeitsgrenze im Flugserver

Bei der Verwendung des Flugservers zur Ausführung von Abfragen kann ein Fehler "Server-Gleichzeitigkeitsgrenze erreicht" auftreten. Dies tritt auf, wenn der Server aufgrund einer großen Anzahl gleichzeitiger Anfragen einen hohen Speicherbedarf hat.

Abhilfe: Erhöhen Sie die Anzahl der Flight Pods oder strukturieren Sie die Abfragen um, um die Anzahl der Unterabfragen zu reduzieren. Passen Sie die Anzahl der Replikate an Ihre Systemauslastung und die verfügbaren Ressourcen an.

Verwenden Sie den folgenden Befehl, um die Anzahl der Pods für die Bereitstellung wdp-connect-flight zu skalieren:

oc scale deployment wdp-connect-flight --replicas=<number of replicas>

Wenn Sie beispielsweise die Anzahl der Pods auf 36 skalieren müssen, führen Sie den folgenden Befehl aus:

oc scale deployment wdp-connect-flight --replicas=36

Falsche Erkennung von gregorianischen Daten in Presto mit Hive Parketttabellen

Presto hat Probleme bei der Verarbeitung historischer Daten vor 0200-01-01, insbesondere wenn sie in Hive-Tabellen gespeichert sind, die als Parquet formatiert sind. Dieses Problem tritt aufgrund der Umrechnung zwischen dem Gregorianischen und dem Julianischen Kalender auf, die in 1582-10-15 implementiert wurde. Daten vor diesem Stichtag werden von Presto falsch interpretiert.

Unvollständige Angaben zur Spaltenlänge in der SHOW COLUMNS-Ausgabe

Die SHOW COLUMNS-Abfrage in Presto liefert derzeit Informationen über Spalten, einschließlich Name, Datentyp, zusätzliche Details (extra) und Kommentare. Dieses Problem verdeutlicht, dass die bestehende Funktionalität keine Details über die Länge von zeichenbasierten Datentypen (CHAR und VARCHAR) enthält. Während einige Konnektoren die tatsächliche Länge zurückgeben, die bei der Tabellenerstellung definiert wurde, können andere einen Standardwert oder überhaupt keine Informationen liefern.

Um diese Einschränkung zu beheben, wurden der SHOW COLUMNS-Ausgabe drei neue Spalten hinzugefügt:

• Skala: Gilt für den Datentyp DECIMAL und gibt die Anzahl der Ziffern nach dem Dezimalpunkt an.

• Genauigkeit: Gilt für numerische Datentypen und gibt die Gesamtzahl der Ziffern an. (Standard: 10)

• Länge: Ist für die Datentypen CHAR und VARCHAR vorgesehen und gibt die maximal zulässige Anzahl von Zeichen an.

Derzeitige Einschränkungen:

• Die gemeldete Länge in der Spalte Length entspricht aufgrund von Verbindungsbeschränkungen möglicherweise nicht immer der tatsächlichen Größe, die im Tabellenschema definiert ist.

• Bei Anschlüssen, die keine Längeninformationen liefern, wird je nach Anschluss ein Standardwert oder Null angezeigt.

Berechnungsfehler für OPT_SORTHEAP im Abfrageoptimierer

Aufgrund eines Berechnungsfehlers in der Konfigurationseinstellung von Query Optimizer für den Wert von OPT_SORTHEAP kann die Leistung von Query Optimizer beeinträchtigt werden.

Abhilfe: Um den Berechnungsfehler für OPT_SORTHEAP in Query Optimizer zu beheben, führen Sie die folgenden Schritte aus, um die Konfiguration von OPT_SORTHEAP= <initial_value> auf OPT_SORTHEAP <initial_value>/20 zu aktualisieren.

1. Richten Sie die Umgebungsvariable PROJECT_CPD_INSTANCE ein, die auf den Namespace zeigt, in dem watsonx.data installiert ist.

export PROJECT_CPD_INSTANCE=<wxd_namespace

2. Ändern Sie den Wert von OPT_SORTHEAP in OPT_SORTHEAP <initial_value>/20, indem Sie den folgenden Befehl ausführen.

oc edit db2uinstance lakehouse-oaas -n $PROJECT_CPD_INSTANCE

3. Warten Sie einige Zeit, bis STATE zu Ready für lakehouse-oaas wird, und führen Sie den folgenden Befehl aus.

watch "oc get db2uinstance  -n $PROJECT_CPD_INSTANCE"

Einschränkungen -Presto (C++)

• Presto (C++)-Engine unterstützt derzeit keine Datenbankkataloge.
• Parquet ist das einzige unterstützte Dateiformat.
• Hive-Anschluss wird unterstützt.
• Die Standard-Eisberg-Tabelle unterstützt nur das Lesen im Parquet-Format v1.
• TPC-H/TPC-DS-Abfragen werden unterstützt.
• DELETE FROM Und CALL SQL-Anweisungen werden nicht unterstützt.
• START,COMMIT, Und ROLLBACK Transaktionen werden nicht unterstützt.
• Datentypen CHAR,TIME, Und TIME WITH TIMEZONE werden nicht unterstützt. Diese Datentypen werden zusammengefasst unter VARCHAR,TIMESTAMP, Und TIMESTAMP WITH TIMEZONE.
  • IPADDRESS,IPPREFIX,UUID,kHYPERLOGLOG,P4HYPERLOGLOG,QDIGEST, Und TDIGEST werden nicht unterstützt.
  • VARCHAR unterstützt nur eine begrenzte Länge.Varchar(n) mit einer maximalen Längenbegrenzung wird nicht unterstützt.
  • TIME Und TIME WITH TIMEZONE wird bei der Gemeindeentwicklung unterstützt.
  • TIMESTAMP Spalten in Parquet-Dateien können nicht gelesen werden.
• Skalare Funktionen:
  • IPFunctions,QDigest,HyperLogLog und Geospatial-Internationalisierung werden nicht unterstützt.
• Aggregatfunktionen:
  • QDigest, Klassifizierungsmetriken und Differenzielle Entropie werden nicht unterstützt.
• S3 UndS3 Es werden kompatible Dateisysteme (sowohl Lesen als auch Schreiben) unterstützt.

Presto (C++) Das Abfragen einer externen partitionierten Tabelle schlägt fehl

Wenn Sie eine externe Tabelle abfragen mit CHAR Datentypspalten kann die Abfrage nicht ausgeführt werden. Dieses Problem tritt aufgrund der Einschränkung auf, dassPresto (C++) unterstützt nicht CHAR Datentypen.

Abhilfe: Ändern Sie die Spalte CHAR Datentyp in VARCHAR Datentyp.

Auf Hive-und Iceberg-Tabellen im selben Glue-Metaspeicherkatalog zugreifen

Bei Verwendung derAWS Glue Data Catalog zum Verwalten eines Buckets oder Speicherorts, der sowohl Iceberg- als auchHive Tabellen, der Versuch, auf Iceberg-Tabellen zuzugreifen, aus demHive Katalog gibt,Not a Hive table Fehler und versucht, aufHive Tabellen aus dem Iceberg-Katalog geben an,Not an Iceberg table Fehler.

Verwenden von ID als Spaltenname inCassandraCREATE TABLE

InCassandra können Sie keine Tabelle mit einer Spalte namens erstellen.ID bei der Verwendung einesCassandra Stecker durchPresto. Das ist weil ID ist ein reserviertes Schlüsselwort für dieCassandra Treiber, der verwendet wird vonPresto, wodurch automatisch eine UUID für jede Zeile generiert wird. Beim Versuch, eine Tabelle mit einer Spaltennamen-ID zu erstellen, wird eine Fehlermeldung angezeigt, die auf eine doppelte Spaltendeklaration hinweist: Spalte duplizieren id Deklaration für Tabelle tm_lakehouse_engine_ks.testtable12

Abhilfe: Vermeiden Sie die Verwendung von ID als Spaltenname beim Erstellen von Cassandra-Tabellen durch Presto.

Benutzerrolle mit CreateCollection L3 kann keine Sammlung in Milvus erstellen

Benutzer mit User role können bei der Erstellung von Sammlungen in Milvus mit pymilvus fehlschlagen, wenn sie die Methoden ORM Connection und MilvusClient Connection verwenden.

Abhilfe: Sie müssen die Anweisungen befolgen:

ORM Connection: Der Benutzer benötigt sowohlDescribeCollection UndCreateCollection Privilegien gewährt in derL3 Richtlinienseite. Sie müssen alle Sammlungen in einer Datenbank auswählen, während Sie DescribeCollection Privileg in derL3 Richtlinie über die Webkonsole.

MilvusClient Connection: Nur CreateCollection Privilegien sind notwendig in derL3 Richtlinienseite. Der erste Versuch, eine Sammlung anzulegen, schlägt allerdings fehl.

1. Führen Sie den create_collection Funktion einmal.
2. Führen Sie den create_collection wieder funktionieren. Dadurch können die Richtlinien synchronisiert werden und die Sammlung kann erfolgreich erstellt werden.

Sonderzeichen und Groß- und Kleinschreibung beeinträchtigen die Datensynchronisierung

Beim Synchronisieren von Daten zwischen Buckets, die Tabellen oder Schemata mit Sonderzeichen oder Groß- und Kleinbuchstaben in ihren Namen enthalten, kann es zu den folgenden unerwarteten Verhaltensweisen kommen:

• Tabellen oder Schemata mit bestimmten Sonderzeichen %,,,{,),(,@,$,[,: werden ihre Daten bei der Synchronisierung vollständig übersprungen.
• Tabellen oder Schemata mit Groß- und Kleinschreibung oder Großbuchstaben werden vor der Synchronisierung in Kleinbuchstaben umgewandelt.

Problemumgehung: Vermeiden Sie die Verwendung von Sonderzeichen und Groß-/Kleinschreibung in Tabellen-und Schemanamen. Benennen Sie vorhandene Tabellen und Schemas um, sodass nur die unterstützten Zeichen verwendet werden.

Fehlende Datenprüfung für Amazon S3-Speicherendpunkte

Derzeit führt die Benutzerschnittstelle keine Datenprüfung für Endpunkte durch, die dem Speichertyp Amazon S3 zugeordnet sind.

Falsche Aliasnamensverwendung in Klausel WITH und USE catalog.schema

Klausel WITH: Wenn Sie in der Klausel WITH auf Daten verweisen, verwenden Sie den exakten Aliasnamen, der während der Definition zugeordnet wurde. Die Verwendung eines falschen Aliasnamens löst die folgende Fehlernachricht aus.

Schema must be specified when session schema is not set

USE catalog.schema Verwendung mit Klausel WITH: Wenn Tabellen mit WITH und USE catalog.schema angegeben werden, führen Abfragen mit falschen Aliasnamen zu dem folgenden Fehler.

Table does not exist

String-Literal-Interpretation inPresto (Java )

Presto (Java ), interpretiert Zeichenfolgenliterale standardmäßig als VARCHAR, im Gegensatz zu vielen anderen Datenbanksystemen, die sie als CHAR behandeln.

InPresto (Java ) werden Zeichenfolgenvergleiche mit den tatsächlich in der Zeichenfolge vorhandenen Zeichen durchgeführt, abschließende Leerzeichen werden ausgeschlossen. Dies kann dazu führen, dass Abfragen falsche Ergebnisse zurückgeben, wenn sie mit Zeichenfolgen arbeiten, die nachgestellte Leerzeichen enthalten, da diese Leerzeichen beim Vergleich nicht berücksichtigt werden.

Tabellennamen mit mehreren Punkten

Presto (Java ) unterstützt nicht das Erstellen oder Abfragen von Tabellennamen, die drei oder mehr aufeinanderfolgende Punkte im Namen enthalten. Versuche, solche Tabellen in Abfragen zu referenzieren, können zu Fehlern führen.

Der Benutzer ist nach dem Entfernen des Benutzers aus IAM weiterhin auf der Seite 'Zugriffssteuerung' einer Engine sichtbar.

Die LDAP-Authentifizierung wird für den Connector Teradata nicht unterstützt.

Der watsonx.data Teradata-Connector unterstützt LDAP (Lightweight Directory Access Protocol) derzeit nicht für die Benutzerauthentifizierung.

Problemumgehung: Wenn der Fehler 502 auftritt, laden Sie die Seite der Benutzerschnittstelle für den Spark-Verlauf erneut, nachdem Sie 1-5 Sekunden gewartet haben. Dies sollte ausreichend Zeit für die Betriebsbereitschaft des Servers zulassen.

Anomalie bei der Erstellung von katalogübergreifenden Schemata in Presto.

Es gibt eine Anomalie bei der Schemaerstellung für Hive und Iceberg-Kataloge, die von Presto verwaltet werden. Wenn ein gemeinsamer Hive Metastore Service für mehrere Kataloge verwendet wird (z. B. ein Iceberg-Katalog und ein Hive oder zwei Iceberg- oder Hive ), kann es vorkommen, dass ein Schema in einem Katalog in einem falschen Katalog erstellt wird. Dies tritt auf, wenn die während der Schemaerstellung angegebene Position zu einem anderen Katalog als beabsichtigt gehört.

Umgehung: Sie müssen immer explizit den korrekten Speicherpfad angeben, der mit dem Zielkatalog verbunden ist, wenn Sie CREATE SCHEMA in Presto verwenden. Dadurch wird sichergestellt, dass das Schema an der gewünschten Position erstellt wird.

Presto (Java ) Abfragen mit vielen Spalten und einer Größe, die das Standardlimit überschreitet.

Presto (Java ) Abfragen mit mehreren Tabellen mit einer großen Anzahl von Spalten (z. B. 1000 Spalten pro Tabelle oder mehr) im SELECT-Klausel kann in allen Bereitstellungsumgebungen zu Leistungsproblemen führen.

Das iterative Optimierungsprogramm überschreitet das Zeitlimit, wenn max_reorder_joins auf 5 oder höher gesetzt ist (das Standardzeitlimit beträgt 3 Minuten), und gibt den folgenden Fehler aus:

The optimizer exhausted the time limit of 180000 ms

Für Abfragen, die den Standardwert überschreiten max-task-update-size Grenze (16MB InPresto (Java )), können Sie eine TaskUpdate size exceeding this limit Fehler (der konkrete Grenzwert hängt von der tatsächlichen Abfrage ab).

Problemumgehung:

• Sie können die Abfrageleistung verbessern, indem Sie die Regel reorder_joins mit der folgenden Sitzungseigenschaft vorübergehend inaktivieren:

  set session reorder_joins = false;
  

• Erhöhen Sie die max-task-update-size Wert in der config.properties Datei, wenn das Problem eine TaskUpdate size exceeding the limit Fehler und NeustartPresto (Java ).

Beispiel:

experimental.internal-communication.max-task-update-size=64MB

Einschränkung: Transaktionen werden in nicht protokollierten Informix-Datenbanken nicht unterstützt.

Wenn Sie in watsonx.dataversuchen, Abfragen mit transaktionsorientierten Auswirkungen auf nicht protokollierte Informix-Datenbanken auszuführen, schlagen Abfragen fehl. Dies liegt daran, dass nicht protokollierte Informix-Datenbanken von Grund auf keine Transaktionen unterstützen.

Einschränkung: Netezza Performance Server Einschränkung der Anweisung INSERT.

Netezza Performance Server unterstützt derzeit nicht das direkte Einfügen mehrerer Zeilen in eine Tabelle mithilfe der Klausel VALUES. Diese Funktionalität ist auf das Einfügen einzelner Zeilen beschränkt. Details zur Anweisung INSERT finden Sie in der offiziellen Netezza Performance Server Dokumentation.

Das folgende Beispiel mit VALUES für mehrere Zeilen wird nicht unterstützt:

INSERT INTO EMPLOYEE VALUES (3,'Roy',45,'IT','CityB'),(2,'Joe',45,'IT','CityC');

Problemumgehung: Verwenden Sie eine Unterabfrage mit SELECT und UNION ALL, um eine temporäre Ergebnismenge zu erstellen und sie in die Zieltabelle einzufügen.

INSERT INTO EMPLOYEE SELECT * FROM(SELECT 4,'Steve',35,'FIN','CityC' UNION ALL SELECT 5,'Paul',37,'OP','CityA') As temp;

Problem: Milvus antwortet nicht auf Anfragen.

Milvus reagiert möglicherweise nicht auf Abfragen, wenn versucht wird, Sammlungen oder Partitionen zu laden, die die verfügbare Speicherkapazität überschreiten. Dies ist darauf zurückzuführen, dass alle Such- und Abfrageoperationen in Milvus im Speicher ausgeführt werden, so dass die gesamte Sammlung oder Partition vor der Abfrage geladen werden muss.

Problemumgehung:

• Berücksichtigen Sie die Speicherbeschränkungen Ihres Milvus und vermeiden Sie das Laden übermäßig großer Sammlungen oder Partitionen.

• Wenn Milvus nicht mehr auf Abfragen reagiert, verwenden Sie die entsprechende Milvus, um einige Sammlungen aus dem Speicher zu entladen oder freizugeben. Ein Beispiel mit Python SDK: collection.release()

Problem: Ungenaue Zeilenzählung nach Löschungen in Milvus.

Die Eigenschaft collection.num_entities spiegelt möglicherweise nicht die tatsächliche Anzahl von Zeilen in einer Milvus nach Löschvorgängen wider. Diese Eigenschaft stellt eine Schätzung bereit und berücksichtigt möglicherweise gelöschte Entitäten nicht.

Um eine genaue Anzahl von Zeilen zu erhalten, führen Sie eine count(*)-Abfrage für die Objektgruppe aus. Dies bietet eine genaue Zählung auch nach Löschungen.

Pymilvus-Syntax:

collection = pymilvus.Collection(...)
collection.query(expr='', fields=['count(*)'])

Einschränkungen: Nicht unterstützte Db2-Operationen.

watsonx.data unterstützt derzeit die Operation ALTER TABLE DROP COLUMN für nach Spalten organisierte Db2-Tabellen nicht.

Standardmäßig erstellen Instanzen Tabellen im Db2 spaltenorientierten Format.

watsonx.data unterstützt die Erstellung von nach Zeilen organisierten Tabellen in Db2nicht.

Einschränkungen: Handhabung von Nullwerten in Elasticsearch.

Der Connector Elasticsearch erfordert eine explizite Definition von Indexzuordnungen für Felder zum Verarbeiten von Nullwerten beim Laden von Daten.

Einschränkungen: Verschachtelte JSON mit Elasticsearchladen.

Der Connector Elasticsearch erfordert, dass Benutzer verschachtelte JSON-Strukturen explizit als Arrays des Typs ROW für ordnungsgemäßes Laden und Abfragen angeben. Verwenden Sie zur Verarbeitung solcher Strukturen die Operation UNNEST.

Einschränkung: Benutzer können 3 Instanzen des Milvus für eine einzelne Instanz von watsonx.data in IBM Cloud erstellen.

Problem: Es ist nicht möglich, Ansichten in Presto zu erstellen.

Presto beschreibt eine Ansicht in einer gemappten Datenbank als TABLE und nicht als VIEW. Dies ist für JDBC, die sich mit der Presto verbinden, offensichtlich.

Problem: Benutzer wird beim Widerrufen des Datenzugriffs nicht aus der Katalogzugriffssteuerung entfernt.

Wenn Sie einem Benutzer Benutzerzugriff erteilen, indem Sie ihn über die Anzeige Zugriffssteuerung zu den Datensteuerungsrichtlinien hinzufügen, wird der Benutzer erfolgreich für den Katalog aufgelistet. Beim Widerrufen des Benutzerzugriffs über die Seite Zugriffssteuerung bleibt der Benutzer im Katalog aufgelistet und hat weiterhin Benutzerzugriff.

Problem: Erwartete Kataloge können nicht angezeigt werden vonPresto (Java ).

Benutzer mit Administratorrechten können die erwartetenHive UndPostgreSQL Kataloge vonPresto (Java ).

Problem: Die Benutzerschnittstelle der Konsole listet ungültige Benutzer auf.

watsonx.data Benutzer (user1 ) lädt einen neuen Benutzer ein (user2 ) auf das Konto über das Zugriff und Benutzer verwalten Bildschirm (Verwalten > Zugriff (IAM) > Zugriff und Benutzer verwalten ) und gewährt Zugriff auf eine Rolle (MetastoreAccess, Betrachter, Operator, Editor, Administrator). User2 erhält über das Konto von user1Zugriff auf Ressourcen in der Instanz watsonx.data. Außerdem wird user2 Datenzugriff auf Ressourcenebene erteilt, indem über die Anzeige Zugriffssteuerung Datensteuerungsrichtlinien hinzugefügt werden. Wenn user1 user2 aus dem Konto von user1entfernt, wird user2 weiterhin auf Ressourcenebene auf der Registerkarte Zugriffssteuerung aufgelistet.

Problem: Erstelltes Schema kann nicht angezeigt werden

Wenn ein Benutzer mit der Rolle "Benutzer" und dem Erstellungszugriff (der Benutzer hat nur den Erstellungszugriff) zu einer externen Datenbank hinzugefügt wird, können die von ihm erstellten Schemas nicht angezeigt werden. Der Benutzer kann zwar Schemas erstellen, aber nicht anzeigen. Im Folgenden sehen Sie die Systemantwort:

presto:default> show schemas;
Schema
--------
(0 rows)

Problemumgehung: Geben Sie die Auswahlberechtigung für das vom Benutzer erstellte Schema an.

Problem: Zugriff verweigert beim Abfragen einer externen Datenbank.

Wenn ein Benutzer mit der Rolle "Benutzer" und dem Erstellungszugriff (der Benutzer hat nur Erstellungszugriff) einer externen Datenbank hinzugefügt wird, kann er die Auswahlabfrage nicht aus der Tabelle ausführen, die er erstellt hat. Der Benutzer kann zwar eine Verbindung zumPresto (Java )-Engine verwenden und Tabellen und Schemata erstellen, können sie keine Abfragen aus der Tabelle durchführen. Das System zeigt eine Access Denied-Nachricht an.

Query 20230608_132213_00042_wpmk2 failed: Access Denied: Cannot select from columns [id] in table or view tab_appiduser_01

Problemumgehung: Geben Sie Auswahlberechtigung für die Tabelle an, die der Benutzer erstellt hat.

Problem: Schema wurde unter anderem Katalog erstellt.

Schemas sind in Iceberg-und Hive-Katalogen verfügbar. Wenn ein Schema im Iceberg-Katalog erstellt wird, wird es im Hive-Katalog aufgelistet und umgekehrt.

Ausgabe:Presto (Java ) unterstützt das Löschen von Iceberg-Tabellen nicht.

Problem: DROP SCHEMA in Db2.

In Db2kann das Schema nur gelöscht werden, wenn es leer ist. Das Einleiten einer Anweisung DROP SCHEMA für ein nicht leeres Schema kann zu einem Db2-SQL-Fehler SQLCODE=-478 und SQLSTATE=42893 führen.

Problem: Anweisung CREATE VIEW, die teilweise von Db2unterstützt wird.

Db2 Connector unterstützt die Anweisung CREATE VIEW teilweise. DerPresto (Java ) unterstützte SQL-Syntax umfasst nicht das Erstellen von Ansichten mit benutzerdefinierten Spaltennamen (anders als die Spaltennamen der Tabelle).

Problem: Anweisung CREATE VIEW, die teilweise von NPSaaSunterstützt wird.

Der Connector NPSaaS unterstützt teilweise die Anweisung CREATE VIEW. DerPresto (Java ) Die unterstützte SQL-Syntax umfasst nicht das Erstellen von Ansichten mit benutzerdefinierten Spaltennamen (anders als die Tabellenspaltennamen).

Ausgabe:Presto (Java ) erkennt den Pfad nicht als Verzeichnis.

Wenn Sie eine neue Tabelle erstellen mit einemPresto (Java )Hive Anschluss mit einemS3 Ordner von einem externen Standort,Presto (Java ) erkennt den Pfad nicht als Verzeichnis und es kann zu einem Fehler kommen.

Beispiel: Bei der Erstellung einer Kundentabelle im Zielverzeichnis DBCERT/tbint in einem Bucket namens dqmdbcertpq unter Verwendung der IBM Cloud UX-und Aspera S3-Konsole tritt der folgende Fehler auf: External location must be a directory.

CREATE TABLE "hive-beta"."dbcert"."tbint" (
RNUM int , CBINT bigint
) WITH (
format='PARQUET', external_location = 's3a://dqmdbcertpq/DBCERT/tbint'
);
Query 20230509_113537_00355_cn58z failed: External location must be a directory

Objekte in einem Dateisystem werden als Objekte und deren Pfad gespeichert. Dem Objekt und dem Pfad müssen Metadaten zugeordnet sein. Wenn der Pfad nicht mit den Metadaten verknüpft ist,Presto (Java ) erkennt das Objekt nicht und antwortet, dass der Pfad kein Verzeichnis ist.

Problem: Erteilen oder Widerrufen von Zugriffsrechten.

Die Zuweisung der Berechtigung Erteilen oder Widerrufen für einen Benutzer über eine Zugriffsrichtlinie funktioniert in den folgenden Szenarios nicht wie erwartet:

1. User_A fügt ein Bucket und einen Hive-Katalog hinzu (z. B. useracat02)

2. BenutzerA erstellt ein Schema und eine Tabelle.

3. Benutzer_B und Benutzer_C sind Benutzerrollen für den Katalog zugeordnet.

4. BenutzerA fügt Benutzer_B die Grant-Richtlinie für Berechtigungen hinzu.

5. Benutzer B stellt eine Verbindung zum Katalog her und führt grant select bis Benutzer C aus.

   presto:default> grant select on useracat02.schema_test_01.tab_1 to "6ff74bf7-b71b-42f2-88d9-a98fdbaed304";
   

6. Wenn Benutzer C eine Verbindung zum Katalog herstellt und den Befehl select für die Tabelle ausführt, schlägt der Befehl mit der Nachricht fehl, dass der Zugriff verweigert wurde.

   presto:default> select * from useracat02.schema_test_01.tab_1;
   Query 20230612_073938_00132_hthnz failed: Access Denied: Cannot select from columns [name, id, salary, age] in table or view tab_1
   

Problem: Schema wird ohne Position erstellt.

Wenn Sie ein Schema ohne Position erstellen, wird es nicht in der Schemaliste eines Katalogs aufgelistet. Wenn Sie beispielsweise ein Schema ohne Angabe der Position des Buckets erstellen, wird das Schema in HMS und nicht im Bucket erstellt. Wenn Sie versuchen, ein neues Schema mit demselben Namen zu erstellen, schlägt der Versuch fehl und antwortet, dass das Schema bereits vorhanden ist.

Problemumgehung: Geben Sie die Position des Buckets beim Erstellen eines Schemas an.

Problem: Eindeutige Namen für Schema und Bucket.

Ein Schema und ein Bucket können nicht mit demselben Namen erstellt werden. Wenn Sie beispielsweise ein Schema mit dem Namen "sales" in einem Katalog erstellen, kann derselbe Name nicht für ein anderes Schema in einem anderen Katalog verwendet werden. Wenn Sie ein Bucket mit dem Namen "salesbucket" registrieren, kann ein anderes Bucket mit demselben Namen nicht registriert werden, auch wenn sich das Bucket in einem anderen Objektspeicher befindet.

Problemumgehung: Verwenden Sie beim Erstellen von Schemas und Buckets eindeutige Namen.

Problem: Schema für Zieltabelle wird erstellt.

Sie müssen ein Schema für die Zieltabelle erstellen, wenn das Schema nicht vorhanden ist.

Problem: Die Aufnahme schlägt fehl, wenn die CSV-Datei einen fehlerhaften Datensatz enthält

Das Tool ibm-lh unterstützt das Überspringen der maximalen Anzahl ungültiger Datensätze für CSV-Dateien, wenn das Feld für die Abweichung größer als die Tabellendefinition ist.

Problem: Schemaposition mit Pfad wird erstellt.

Verwenden Sie beim Erstellen eines Schemas eine der folgenden Positionsoptionen:

• Position, die auf ein Bucket/einen Unterpfad ohne abschließende / verweist.
• Position, die auf einen Bucket/Unterpfad mit einem abschließenden / verweist-empfohlen für eine bessere Strukturierung.

Obwohl Sie eine Position verwenden können, die nur auf ein Bucket mit oder ohne abschließendes / verweist, kann dies zu Fehlern führen. Daher wird empfohlen, einen Unterpfad zu verwenden.

Ausgabe:Presto (Java ) nicht unterstützen AS OF mit Eisbergtabellen.

Presto (Java ) nicht unterstützen AS OF <time stamp> Befehl in einer SELECT-Abfrage.

Problemumgehung: Rufen Sie CALL iceberg_data_rollback_to_snapshot auf, um zur erforderlichen Zeitmarke zu wechseln.

Wenn Sie CALL iceberg_data_rollback_to_snapshot mit einer Zeitmarke verwenden, können Sie die gespeicherte Prozedur nicht aufrufen, um zu einer späteren Zeitmarke zu wechseln. Verwenden Sie Spark SQL als Alternative.

Problem: Nur der Ersteller hat DROP-Zugriff auf die Tabelle in Apache Hive (API).

Nur der Ersteller einer Tabelle kann die Tabelle löschen, die im Apache Hive-Katalog erstellt wurde. Andere Benutzer können die Tabelle nicht löschen, selbst wenn sie über einen expliziten DROP-Zugriff auf die Tabelle verfügen. Sie erhalten die Nachricht Access Denied.

Problem: Vom Benutzer bereitgestellte Zertifikate werden von watsonx.datanicht unterstützt.

Derzeit werden vom Benutzer bereitgestellte Zertifikate in watsonx.data nicht unterstützt, wenn Datenbankverbindungen oder Objektspeicherbuckets hinzugefügt werden oder wenn das Dienstprogramm ibm-lh verwendet wird.

Problem: Keine Spalten für Syntaxanalyse aus Dateifehler.

Wenn Sie versuchen, einen Ordner aus AWS S3 mit dem Tool ibm-lh aufzunehmen, kann der folgende Fehler auftreten, wenn der Ordner keine leeren Dateien enthält:

No columns to parse from file

Problemumgehung: Führen Sie zuerst die Ordner innerhalb des Buckets mit dem Befehl aws s3 ls aus. Wenn keine leeren Dateien aufgeführt werden, kopieren Sie alle Dateien mit aws s3 cp in einen anderen Ordner.

Sonderzeichen in Zieltabellennamen können zu Aufnahmefehlern führen.

Die Aufnahme schlägt fehl, wenn der Name einer Zieltabelle Sonderzeichen enthält, wenn die Aufnahme über die Webkonsole erfolgt.

Problemumgehung: Sie können Daten mithilfe der Aufnahme über die Spark-CLI aufnehmen.

Einschränkung:Presto (Java ) unterstützt nicht VARBINARY Datentyp.

Die aktuelle Version vonPresto (Java ) unterstützt keine Binärzeichenfolgen mit Länge. Die Ausführung einer ALTER TABLE-Anweisung für eine Datenbank führt zu dem folgenden Fehler:

Unknown type 'varbinary(n)' for column 'testcolumn'

Dies ist eine Einschränkung in Preso und keine Einschränkung in watsonx.data.

Einschränkung: Sichern Sie Ihre Daten, um Datenverluste bei der Arbeit mit der VS Code-Entwicklungsumgebung zu vermeiden - Spark Labs.

Da Spark-Labore von Natur aus flüchtig sind, müssen Sie die gespeicherten Daten regelmäßig sichern, um einen möglichen Datenverlust bei Upgrades oder einem Absturz des Spark-Masters zu verhindern.