Unity 目录中的用户定义函数(UDF)扩展了 Azure Databricks 中的 SQL 和 Python 功能。 它们使你能够定义、使用并安全地跨计算环境共享和管理自定义函数。
在 Unity Catalog 中注册为函数的 Python UDF 在范围和支持方面不同于作用域为笔记本或 SparkSession 的 PySpark UDF。 请参阅Python标量用户定义函数(UDF)。
若要在 Unity 目录中注册以 Scala 或Java编写的 UDF,请参阅 Unity 目录中的 Scala 和Java用户定义的函数(UDF)。
想在修改 Unity 目录前查看哪些工作负载和表引用 UDF,请参见 “查看 UDF 血统”。
有关完整的 SQL 语言参考,请参阅 CREATE FUNCTION (SQL、Python、Scala 和 Java)。
要求
若要在 Unity 目录中使用 UDF,必须满足以下要求:
- 若要在 Unity 目录中注册的 UDF 中使用 Python 代码,必须使用无服务器或 pro SQL 仓库或运行 Databricks Runtime 13.3 LTS 或更高版本的群集。
- 如果视图包含 Unity 目录 Python UDF,则它在经典 SQL 仓库上失败。
- Databricks Runtime 15.2 及更高版本中提供了对启用了 Unity 目录的群集上的 Scala UDF 的 ARM 实例支持。
标量和批处理 Unity 目录 Python UDF 通常适用于所有支持的计算类型。
Python UDF 功能要求
具体要求因特征而异。 Databricks 运行时 19 和环境版本 6 并非 Unity Catalog Python UDF 的通用要求。
对于在无服务器笔记本或作业中运行的 PySpark 会话 UDF,环境要求是指会话环境。 对于由 SQL 定义的 Python UDF,它们在每个函数的environment_version子句中引用ENVIRONMENT。 更改会话环境不会改变现有的 Unity 目录函数的环境。 例如,使用环境版本6的会话可以调用环境版本5定义的Unity目录函数。
| Feature | 要求 |
|---|---|
ENVIRONMENT 条款与自定义依赖 |
无服务器笔记本和作业;专业版或无服务器 SQL 仓库;经典计算上的 Databricks Runtime 16.2 或更高版本。 在运行 Databricks Runtime 16.2 到 18.1 的经典计算上,environment_version必须为'None'。 |
| 批处理 Unity Catalog Python UDF | 无服务器计算;专业版 SQL 仓库和无服务器 SQL 仓库;经典计算上的 Databricks Runtime 16.3 及更高版本 |
| 标量 Python UDF 的命名处理函数 | 经典计算上的 Databricks Runtime 18.1 或更高版本。 在无服务器计算以及专业版和无服务器 SQL 仓库中,显式地将 UDF 的 environment_version 设置为 6 或更高。 |
| 标量 Python UDF 中的服务凭证 | 经典计算上的 Databricks Runtime 18.1 或更高版本。 在无服务器计算以及专业版和无服务器 SQL 仓库中,显式地将 UDF 的 environment_version 设置为 6 或更高。 经典计算不需要环境版本6。 在无服务器SQL仓库中,还可以启用隔离工作负载网络的公开预览版。 |
| Batch Unity Catalog Python UDF 中的服务凭证 | 无服务器计算;专业和无服务器 SQL 仓库;经典计算上的 Databricks Runtime 16.3 或更高版本。 环境版本6并非必需。 在无服务器SQL仓库中,还可以启用隔离工作负载网络的公开预览版。 |
| 标量或批处理 Unity Catalog Python UDF 中的机密 | 将 environment_version 明确设置为 6 或更高版本;无服务器计算;专业版和无服务器 SQL 仓库;在经典计算上使用标准访问模式的 Databricks Runtime 19 或更高版本。 专用访问模式计算不支持直接调用。 |
与 PySpark 兼容的 TIMESTAMP 输入行为 |
经典计算上的 Databricks Runtime 18.1 或更高版本。 在无服务器计算以及专业版和无服务器 SQL 仓库中,显式地将 UDF 的 environment_version 设置为 6 或更高。 |
| 单个查询中有五次以上的 UDF 调用 | 经典计算上的 Databricks Runtime 18.1 或更高版本。 在无服务器计算上以及专业版和无服务器 SQL 仓库上,将每个 UDF 的environment_version显式设置为6或更高。 |
在公开预览阶段可用的现有 UDF 和功能仍在适用的早期运行时版本上运行。
环境版本还决定调用者是否需要直接访问存储在 Unity 目录卷中的依赖。 请参阅 Unity Catalog 卷中的依赖项权限。
经典计算上的环境版本
在经典计算上,将environment_version设置为'None'以外的值需要 Databricks Runtime 18.2 或更高版本。 在 Databricks Runtime 16.2 到 18.1 上,只要使用ENVIRONMENT子句就设置environment_version = 'None'。 值'None'使用默认 Python 环境。
在 Databricks Runtime 18.2 或更高版本中,为确保行为可预测,Azure Databricks 建议在每个 Unity Catalog Python UDF 定义中明确设置一个固定的 environment_version。 选择符合UDF功能要求并遵循以下兼容性建议的版本:
| Databricks Runtime 版本 | 最高推荐环境版本 |
|---|---|
| 18.2 至 18.x | 5 |
| 19.x | 6 |
在 Unity 目录中创建 SQL 和Python UDF
若要在 Unity Catalog 中创建 SQL 或 Python UDF,用户需要对架构具有 USAGE 和 CREATE 权限,并对目录具有 USAGE 权限。 有关更多详细信息,请参阅 Unity 目录 。
若要运行 UDF,用户需要对 UDF 拥有 EXECUTE 权限。 用户还需要对架构和目录具有 USAGE 权限。
若要在 Unity 目录架构中创建和注册 UDF,函数名称必须遵循格式 catalog.schema.function_name。 或者,可以在 SQL 编辑器中选择正确的目录和架构。
在这种情况下,函数名称前面不得加上 catalog.schema:
以下示例将在my_schema目录中的my_catalog架构中注册一个新函数:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.calculate_bmi(weight DOUBLE, height DOUBLE)
RETURNS DOUBLE
LANGUAGE SQL
RETURN
SELECT weight / (height * height);
适用于 Unity Catalog 的 Python UDF 使用双美元符号 ($$) 实现语句偏移。 你必须指定数据类型映射。 以下示例注册了计算正文质量索引的 UDF:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.calculate_bmi(weight_kg DOUBLE, height_m DOUBLE)
RETURNS DOUBLE
LANGUAGE PYTHON
AS $$
return weight_kg / (height_m ** 2)
$$;
现在可以在 SQL 查询或 PySpark 代码中使用此 Unity 目录函数:
SELECT person_id, my_catalog.my_schema.calculate_bmi(weight_kg, height_m) AS bmi
FROM person_data;
有关更多 UDF 示例,请参阅 行筛选器示例 和 列掩码示例 。
在标量 Python UDF 中使用命名处理函数
在经典计算资源上,命名处理程序需要 Databricks Runtime 18.1 或更高版本。 在无服务器计算以及专业版和无服务器 SQL 仓库中,显式地将 UDF 的 environment_version 设置为 6 或更高。 以下示例使用环境版本 6。 在运行 Databricks Runtime 18.1 的经典计算上,省略ENVIRONMENT子句。 在更高版本的运行时上,如果你包含该子句,请遵循兼容性建议。
使用HANDLER子句在 UDF 正体中指定一个 Python 函数作为入口点。 命名的处理器接受UDF参数,并返回与声明返回类型相符的值。 在每个 Python 环境初始化 UDF 时,处理程序处理输入之前,处理程序之外的代码会运行。 使用该代码进行一次性初始化,可在处理调用间重复使用。
以下示例在定义 greet_handler之前初始化greeting_prefix处理 UDF 输入的函数:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.greet(name STRING)
RETURNS STRING
LANGUAGE PYTHON
HANDLER 'greet_handler'
ENVIRONMENT (
environment_version = '6'
)
AS $$
# Runs once when each Python environment initializes the UDF.
greeting_prefix = "Hello"
def greet_handler(name):
return f"{greeting_prefix}, {name}!"
$$;
在 Python UDF 中使用机密
标量和批量 Unity Catalog Python UDF 可以访问在 SECRETS 子句中声明的机密。 UDF 定义必须显式将 environment_version 设置为 6 或更高。 Unity Catalog 秘密使用三部分名称(catalog.schema.secret),与工作空间层级的 Azure Databricks 秘密不同。 支持无服务器计算、无服务器和 Pro SQL 仓库,以及 Databricks Runtime 19 及以上标准访问模式下的经典计算。 有关权限以及专用计算列掩码例外,请参阅 UDF 要求和权限。
若要从 UDF 访问机密:
- 将该机密的三段式名称添加到 UDF 定义中的
SECRETS子句中。 UDF只能检索该条款中声明的秘密。 - 在 UDF 主体中,调用
databricks.secrets.get()并传入目录、架构和密钥名称。
以下标量UDF示例使用Unity目录秘密作为基于哈希的消息认证码(HMAC)签名密钥。 使用与 PARAMETER STYLE PANDAS 搭配的相同 SECRETS 子句,以访问 Batch UDF 处理程序中已声明的机密信息。
CREATE OR REPLACE FUNCTION main.default.sign_value(value STRING)
RETURNS STRING
LANGUAGE PYTHON
SECRETS (main.default.hmac_key)
ENVIRONMENT (
environment_version = '6'
)
AS $$
import hashlib
import hmac
from databricks.secrets import get
key = get(catalog="main", schema="default", key="hmac_key")
return hmac.new(key.encode(), value.encode(), hashlib.sha256).hexdigest()
$$;
Warning
不要从 UDF 返回机密值。 秘密涂黑有助于减少错误和日志中的意外暴露,但它并不能阻止UDF代码在查询结果中暴露秘密内容。
使用自定义依赖项扩展 UDF
注意
若要在无服务器 SQL 仓库上安装来自互联网的自定义依赖项,您的工作区必须在预览页面上启用公共预览功能 在无服务器 SQL 仓库中为隔离工作负载启用网络。
可以通过定义外部库的自定义依赖项,将 Unity 目录Python UDF 的功能扩展到 Databricks Runtime 环境之外。
要求
以下计算类型支持 Unity 目录 UDF 的自定义依赖项:
- 无服务器笔记本和作业
- 使用 Databricks Runtime 版本 16.2 及更高版本的经典全用途计算
- Pro 或无服务器 SQL 仓库
依赖项源
从以下源安装依赖项:
- PyPI 包
- 存储在 Unity 目录卷中的文件 请参见 Unity 目录卷中依赖的权限。
- 公共 URL 提供的文件 工作区网络安全规则必须允许访问公共 URL。 请参阅 要求。
注意
如果工作区限制无服务器网络访问,则必须配置网络安全规则以允许公共 URL。 请参阅 “设置出口规则”。
Unity Catalog 卷中依赖项的权限
函数创建者必须在源卷上拥有 READ VOLUME,才能添加从该卷到 UDF 的依赖关系。
对于其定义中显式将 environment_version 设置为 6 或更高的 UDF,调用者需要具有针对该 UDF 的 EXECUTE 权限,但不需要具有针对源卷的 READ VOLUME 权限。 如果 UDF 定义省略了 environment_version、将其设置为 None,或将其设置为更早的版本,则调用方还必须在源卷上具有 READ VOLUME。
定义依赖项
使用 UDF 定义的 ENVIRONMENT 节指定依赖项:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.mixed_process(data STRING)
RETURNS STRING
LANGUAGE PYTHON
ENVIRONMENT (
dependencies = '["simplejson==3.19.3", "/Volumes/my_catalog/my_schema/my_volume/packages/custom_package-1.0.0.whl", "https://my-bucket.s3.amazonaws.com/packages/special_package-2.0.0.whl?Expires=2043167927&Signature=abcd"]',
environment_version = '6'
)
AS $$
import simplejson as json
import custom_package
return json.dumps(custom_package.process(data))
$$;
该 ENVIRONMENT 部分包含以下字段:
| 字段 | DESCRIPTION | 类型 | 示例用法 |
|---|---|---|---|
dependencies |
要安装的逗号分隔依赖项的列表。 每个条目都是符合 pip 要求文件格式的字符串。 | STRING |
dependencies = '["simplejson==3.19.3", "/Volumes/catalog/schema/volume/packages/my_package-1.0.0.whl"]'dependencies = '["https://my-bucket.s3.amazonaws.com/packages/my_package-2.0.0.whl?Expires=2043167927&Signature=abcd"]' |
environment_version |
指定运行UDF的环境版本。 每当出现 ENVIRONMENT 子句时,此字段为必填项。 固定环境版本使用特定的Python版本和一组预安装的包(独立于基础 Databricks Runtime 中的Python版本和包)运行 UDF。支持的值是环境版本为3或更高,例如 '6',或字符串。'None' 该值'None'选择默认的 Python 环境。 在经典计算上,将environment_version设置为'None'以外的值需要 Databricks Runtime 18.2 或更高版本。 在 Databricks Runtime 16.2 到 18.1 上,仅支持'None'。 支持固定环境版本时,请显式选择一个版本以获得可预测的行为。在无服务器计算以及专业和无服务器SQL仓库中,某些功能需要明确的环境版本。 在每个 UDF 定义中,将 environment_version 设置为所需版本或更高版本。 省略整个 ENVIRONMENT 条款或设置 environment_version = 'None' 并不能启用这些功能。 请参见 Python UDF 功能要求。有关经典计算的版本兼容性,请参阅经典计算上的环境版本。 有关可用版本列表,请参见 环境版本。 |
STRING |
environment_version = '6' |
在 PySpark 中使用 Unity Catalog UDFs
from pyspark.sql.functions import expr
result = df.withColumn("bmi", expr("my_catalog.my_schema.calculate_bmi(weight_kg, height_m)"))
display(result)
升级会话范围的 UDF
注意
Unity Catalog 中 Python UDF 的语法和语义不同于注册到 SparkSession 的 Python UDF。 请参阅 用户定义的标量函数 - Python。
在 Azure Databricks 笔记本中给定以下基于会话的 UDF:
from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
@udf(StringType())
def greet(name):
return f"Hello, {name}!"
# Using the session-based UDF
result = df.withColumn("greeting", greet("name"))
result.show()
若要将此函数注册为 Unity 目录函数,请使用 SQL CREATE FUNCTION 语句,如以下示例所示:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.greet(name STRING)
RETURNS STRING
LANGUAGE PYTHON
AS $$
return f"Hello, {name}!"
$$
在 Unity 目录中共享 UDF
应用于注册 UDF 所在目录、架构或数据库的访问控制会管理该 UDF 的权限。 有关详细信息 ,请参阅 Unity 目录中的管理特权 。
使用 Azure Databricks SQL 或 Azure Databricks 工作区 UI 向用户或组授予权限(建议)。
工作区 UI 中的权限
- 找到存储 UDF 的目录和架构,然后选择 UDF。
- 在 UDF 设置中查找 “权限” 选项。 添加用户或组并指定他们必须具有的访问类型,例如 EXECUTE 或 MANAGE。
工作区 UI 中的
使用 Azure Databricks SQL 的权限
以下示例向用户授予对函数的 EXECUTE 权限:
GRANT EXECUTE ON FUNCTION my_catalog.my_schema.calculate_bmi TO `user@example.com`;
若要删除权限,请使用 REVOKE 以下命令,如以下示例所示:
REVOKE EXECUTE ON FUNCTION my_catalog.my_schema.calculate_bmi FROM `user@example.com`;
环境隔离
注意
共享隔离环境需要 Databricks 运行时 18.1 及以上版本。 在早期版本中,所有 Unity 目录 Python UDF 都以严格的隔离模式运行。
默认情况下,具有相同所有者和会话的 Unity 目录 Python UDF 可以共享隔离环境。 这通过减少必须启动的单独环境的数量来提高性能并减少内存使用量。
严格隔离
若要验证 UDF 始终在其自己的完全隔离环境中运行,请添加 STRICT ISOLATION 特征子句。
大多数 UDF 不需要严格的隔离。 标准数据处理 UDF 受益于默认共享隔离环境,并且运行速度更快,内存消耗量较低。
将STRICT ISOLATION特征子句添加到符合以下条件的UDF:
- 使用
eval()exec()或类似函数以代码形式运行输入。 - 将文件写入本地文件系统。
- 修改全局变量或系统状态。
- 访问或修改环境变量。
以下代码展示了一个必须使用 STRICT ISOLATION 运行的 UDF 示例。 此 UDF 运行任意Python代码,因此可能会更改系统状态、访问环境变量或写入本地文件系统。 使用STRICT ISOLATION子句有助于防止在 UDF之间发生干扰或数据泄漏。
CREATE OR REPLACE TEMPORARY FUNCTION run_python_snippet(python_code STRING)
RETURNS STRING
LANGUAGE PYTHON
STRICT ISOLATION
AS $$
import sys
from io import StringIO
# Capture standard output and error streams
captured_output = StringIO()
captured_errors = StringIO()
sys.stdout = captured_output
sys.stderr = captured_errors
try:
# Execute the user-provided Python code in an empty namespace
exec(python_code, {})
except SyntaxError:
# Retry with escaped characters decoded (for cases like "\n")
def decode_code(raw_code):
return raw_code.encode('utf-8').decode('unicode_escape')
python_code = decode_code(python_code)
exec(python_code, {})
# Return everything printed to stdout and stderr
return captured_output.getvalue() + captured_errors.getvalue()
$$
如果函数生成一致的结果,请设置 DETERMINISTIC
如果函数对于相同的输入生成相同的输出,请将 DETERMINISTIC 添加到函数定义中。 这允许查询优化来提高性能。
默认情况下,Azure Databricks 会将 Batch Unity Catalog Python UDF 视为非确定性的,除非你明确声明其并非如此。 非确定性函数的示例包括生成随机值、访问当前时间或日期或进行外部 API 调用。
请参阅 CREATE FUNCTION (SQL、Python、Scala 和 Java)
智能体工具的 UDF
AI 代理可以使用 Unity 目录 UDF 作为工具来执行任务并运行自定义逻辑。
请参阅 使用 Unity 目录函数创建代理工具。
用于访问外部 API 的 UDF
可以使用 UDF 从 SQL 访问外部 API。 以下示例使用 Python requests 库发出 HTTP 请求。
注意
使用已配置标准访问模式的计算或无服务器计算时,Python UDF 允许 TCP/UDP 网络流量通过端口 80、443 和 53。
CREATE FUNCTION my_catalog.my_schema.get_food_calories(food_name STRING)
RETURNS DOUBLE
LANGUAGE PYTHON
AS $$
import requests
api_url = f"https://example-food-api.com/nutrition?food={food_name}"
response = requests.get(api_url)
if response.status_code == 200:
data = response.json()
# Assume the API returns a JSON object with a 'calories' field
calories = data.get('calories', 0)
return calories
else:
return None # API request failed
$$;
用于安全性和合规性的 UDF
使用 Python UDF 实现自定义标记化、数据掩码、数据修订或加密机制。
以下示例在保持长度和域的同时屏蔽电子邮件地址的标识:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.mask_email(email STRING)
RETURNS STRING
LANGUAGE PYTHON
DETERMINISTIC
AS $$
parts = email.split('@', 1)
if len(parts) == 2:
username, domain = parts
else:
return None
masked_username = username[0] + '*' * (len(username) - 2) + username[-1]
return f"{masked_username}@{domain}"
$$
以下示例在动态视图定义中应用此 UDF:
-- First, create the view
CREATE OR REPLACE VIEW my_catalog.my_schema.masked_customer_view AS
SELECT
id,
name,
my_catalog.my_schema.mask_email(email) AS masked_email
FROM my_catalog.my_schema.customer_data;
-- Now you can query the view
SELECT * FROM my_catalog.my_schema.masked_customer_view;
+---+------------+------------------------+------------------------+
| id| name| email| masked_email |
+---+------------+------------------------+------------------------+
| 1| John Doe| john.doe@example.com | j*******e@example.com |
| 2| Alice Smith|alice.smith@company.com |a**********h@company.com|
| 3| Bob Jones| bob.jones@email.org | b********s@email.org |
+---+------------+------------------------+------------------------+
最佳做法
若要使 UDF 可供所有用户访问,Databricks 建议使用适当的访问控制创建专用目录和架构。
对于特定于团队的 UDF,请使用团队目录中的专用架构进行存储和管理。
Databricks 建议在 UDF docstring 中包含以下信息:
- 当前版本号
- 用于跟踪各个版本的修改的更改日志
- UDF 用途、参数和返回值
- 如何使用 UDF 的示例
以下示例演示了遵循最佳做法的 UDF:
CREATE OR REPLACE FUNCTION my_catalog.my_schema.calculate_bmi(weight_kg DOUBLE, height_m DOUBLE)
RETURNS DOUBLE
COMMENT "Calculates Body Mass Index (BMI) from weight and height."
LANGUAGE PYTHON
DETERMINISTIC
AS $$
"""
Parameters:
calculate_bmi (version 1.2):
- weight_kg (float): Weight of the individual in kilograms.
- height_m (float): Height of the individual in meters.
Returns:
- float: The calculated BMI.
Example Usage:
SELECT calculate_bmi(weight, height) AS bmi FROM person_data;
Change Log:
- 1.0: Initial version.
- 1.1: Improved error handling for zero or negative height values.
- 1.2: Optimized calculation for performance.
Note: BMI is calculated as weight in kilograms divided by the square of height in meters.
"""
if height_m <= 0:
return None # Avoid division by zero and ensure height is positive
return weight_kg / (height_m ** 2)
$$;
逐行输入的时间戳时区行为
TIMESTAMP 输入会以 UTC 中不含时区信息的 datetime 值传递给逐行处理的 Python UDF。 在经典计算中,这种行为需要Databricks Runtime 18.1及以上版本。 在无服务器计算以及专业版和无服务器 SQL 仓库中,显式地将 UDF 的 environment_version 设置为 6 或更高。 该 datetime 对象的属性中不包含时区元数据 tzinfo 。
批量 Unity Catalog Python UDF 以 pandas.Series 对象形式接收时间戳输入,并且不使用这种 datetime 映射。
此更改使 Unity 目录 Python UDF 与 Apache Spark 中的箭头优化的 Python UDF 保持一致。
例如,以下查询明确将环境版本6和会话时区设置为UTC:
SET TIME ZONE 'UTC';
CREATE FUNCTION timezone_udf(date TIMESTAMP)
RETURNS STRING
LANGUAGE PYTHON
ENVIRONMENT (
environment_version = '6'
)
AS $$
return f"{type(date)} {date} {date.tzinfo}"
$$;
SELECT timezone_udf(TIMESTAMP '2024-10-23 10:30:00');
较早的执行路径返回会话时区的时区感知值。 这适用于Databricks Runtime 18.1之前的经典计算系统。 它也适用于无服务器计算,以及专业版和无服务器 SQL 仓库:当省略 ENVIRONMENT 子句、设置 environment_version = 'None' 或选择早于版本 6 的版本时。 将会话时区设为 UTC 时,前一种路径会产生:
<class 'datetime.datetime'> 2024-10-23 10:30:00+00:00 UTC
根据定义,无服务器计算以及专业和无服务器SQL仓库都采用了兼容PySpark的行为。 运行 Databricks Runtime 18.1 或更高版本的经典计算在调整或省略ENVIRONMENT子句时使用相同的行为:
<class 'datetime.datetime'> 2024-10-23 10:30:00 None
这种变化可能会影响时钟字段以及 tzinfo。 对于时间点2024-10-23T10:30:00Z,America/Los_Angeles会话中先前的行为会产生2024-10-23 03:30:00-07:00。 新行为会生成不含时区信息的 UTC 值 2024-10-23 10:30:00。
如果你的UDF依赖时区信息,请明确恢复UTC:
from datetime import timezone
date = date.replace(tzinfo=timezone.utc)
添加UTC时区信息不会恢复之前的会话-本地时钟字段。 如果你的逻辑需要这些字段,也要将 aware 值转换为预期的会话时区。 例如:
from zoneinfo import ZoneInfo
date = date.astimezone(ZoneInfo("America/Los_Angeles"))
限制
- 可以在 Python UDF 中定义任意数量的 Python 函数,但所有函数都必须返回标量值。
- Python 函数必须独立处理 NULL 值,并且所有类型映射都必须遵循 Azure Databricks SQL 语言映射。
- 如果未指定目录或架构,Azure Databricks 会将 Python UDF 注册到当前活动架构。
- Python UDF 在安全隔离的环境中运行,并且无法访问文件系统或内部服务。
- 在运行 Databricks Runtime 18.1 或更高版本的经典计算中,查询时可以调用超过 5 个 UDF。 在无服务器计算以及专业和无服务器SQL仓库中,每个UDF定义都必须显式设置为
environment_version6或更高。