Muitos de nós fizemos alterações nos dados com base em requisitos que evoluem posteriormente. Quando percebemos isso, torna-se impossível reverter. A mudança não é apenas uma constante; é uma parte essencial do gerenciamento de dados que exige uma abordagem sofisticada. Entre na funcionalidade semelhante ao Git do catálogo de dados Nessie do Dremio.  Assim como o Git se tornou fundamental para o desenvolvimento de software, os engenheiros de dados precisam de ferramentas semelhantes para trabalhar em paralelo, comparar versões de dados, promover alterações na produção e reverter dados quando necessário. Nessie fornece aos engenheiros de dados um sistema de controle de versão semelhante ao Git para gerenciar versões de dados, ramificações, mesclagens e confirmações. Isso pode ser muito útil quando vários engenheiros de dados estão trabalhando e transformando dados ao mesmo tempo. Nessie permite que cada engenheiro trabalhe em filiais separadas, mantendo uma única fonte de verdade na forma de filial principal. Essa funcionalidade capacita as equipes de engenharia de dados a manter a qualidade dos dados de forma colaborativa diante de mudanças implacáveis.  Este artigo fornece um guia passo a passo que demonstra como Nessie, Dremio e MinIO trabalham juntos para melhorar a qualidade dos dados e a colaboração em seus fluxos de trabalho de engenharia de dados. Quer você seja um engenheiro de dados, um engenheiro de ML ou apenas um entusiasta moderno de data lake, este blog fornece o conhecimento e as ferramentas necessárias para aprimorar efetivamente suas práticas de controle de versão de dados.  Compreendendo o básico: cargas de trabalho do Nessie  Nessie permite cargas de trabalho semelhantes ao Git que permitem testar, desenvolver e enviar para produção. Vamos analisar alguns conceitos-chave:    Assim como no Git, os branchs no Nessie permitem que você trabalhe em diferentes tarefas de engenharia de dados simultaneamente. Por exemplo, você pode ter uma ramificação para desenvolvimento de recursos, limpeza e transformação de dados. Cada filial pode ter seu próprio conjunto de alterações de dados. Branches:    No Nessie, um commit representa um instantâneo dos dados em um momento específico. Ao fazer alterações em seus dados, você cria um novo commit, que registra essas alterações. Os commits estão vinculados a um branch específico. Quando você precisa reverter seus dados para um estado estável ou em bom estado, o Nessie facilita a seleção de um commit específico e a reversão para essa versão de dados. Isso garante qualidade e consistência dos dados. Commits:    : Nessie permite mesclar as alterações de um ramo para outro. Isso é semelhante a mesclar alterações de código no Git. Quando você mescla uma ramificação, as alterações de dados feitas nessa ramificação tornam-se parte da ramificação de destino. Mesclar  Os componentes     é um mecanismo de análise distribuída que opera como uma plataforma de código aberto, oferecendo uma interface intuitiva de autoatendimento para exploração, transformação e trabalho colaborativo de dados. Seu design é baseado em  um formato de memória colunar de alta velocidade. Dremio   Flecha Apache,  Já exploramos como implantar o Dremio com Kubernetes e também como  . Para informações adicionais sobre Dremio, consulte  .   consultar tabelas Iceberg no MinIO com Dremio   Recursos Drêmio    é armazenamento de objetos de alto desempenho. Famosa pela sua excepcional  e  , o MinIO atua como um componente essencial na construção e manutenção de infraestruturas modernas de data lake. O MinIO capacita os arquitetos a gerenciar e armazenar com eficiência grandes volumes de dados no local, em bare metal, na borda ou em qualquer uma das nuvens públicas. MinIO   velocidade   escalabilidade  é um formato de tabela aberto adequado para gerenciar grandes volumes de dados em data lakes. Recursos exclusivos como viagem no tempo, evolução dinâmica de esquema e evolução de partição fazem dele um divisor de águas, permitindo que mecanismos de consulta trabalhem simultaneamente nos mesmos dados com segurança e eficiência. Ver  para obter mais informações sobre os recursos do Iceberg.   Iceberg Apache    MinIO O guia definitivo para arquitetura Lakehouse com Iceberg e  Começando  Você precisará do  e  para este tutorial. A maneira mais fácil de obter os dois, caso ainda não os tenha, é instalar o Docker Desktop.   Motor Docker   Composição do Docker  Esta parte do tutorial é baseada no Dremio  . Você pode obter o repositório para este projeto  .   postagem no blog   aqui  Para começar, abra um terminal e navegue até a pasta onde você clonou/ baixou o repositório e execute o comando abaixo para iniciar o Dremio.   docker-compose up dremio  Aguarde alguns instantes e navegue até   para acessar o Dremio. Atualize os campos solicitados e clique em Avançar.  http://localhost:9047  Em seguida, execute o seguinte comando para iniciar o MinIO.   docker-compose up minio  O comando final   abaixo iniciará o Nessie. docker-compose up   docker-compose up nessie  Navegue até   para fazer login no MinIO com o nome de usuário e senha   . Você será solicitado a criar um bucket.  http://localhost:9001 minioadmin:minioadmin  Faça um chamado   .  iceberg-datalake  Em seguida, volte para Dremio em   e clique em Add Source e selecione Nessie.  http://localhost:9047  Defina o nome para  nessie  Defina o URL do terminal como  http://nessie:19120/api/v2  Defina a autenticação como    none  Não clique em Salvar ainda. Em vez disso, no painel de navegação à esquerda, clique em Armazenamento. MinIO é um armazenamento de objetos compatível com S3-API e pode usar os mesmos caminhos de conexão do AWS S3.  Para sua chave de acesso, defina  minioadmin  Para sua chave secreta, defina  minioadmin  Defina o caminho raiz para    /iceberg-datalake  Role para baixo para o próximo conjunto de instruções.  Clique no botão   em   para criar e configurar as propriedades a seguir. Add Property Connection Properties    para  fs.s3a.path.style.access true    para  fs.s3a.endpoint minio:9000    para  dremio.s3.compat true  Desmarque    Encrypt connection  Em seguida, clique em Salvar. Agora você deve ver os Catálogos Nessie em suas fontes de dados.   Crie uma fonte de dados  No Dremio navegue até SQL Runner no lado esquerdo. Certifique-se de que o   na área superior direita do editor de texto esteja definido como nossa fonte Nessie. Caso contrário, você terá que fazer referência ao contexto como   em vez de apenas   para executar esta consulta. Copie e cole o SQL abaixo e execute. Context nessie.SalesData SalesData     CREATE TABLE SalesData (    id INT,    product_name VARCHAR,    sales_amount DECIMAL,    transaction_date DATE ) PARTITION BY (transaction_date);  Execute a consulta abaixo para inserir dados na tabela que você acabou de criar.     INSERT INTO SalesData (id, product_name, sales_amount, transaction_date) VALUES    (1, 'ProductA', 1500.00, '2023-10-15'),    (2, 'ProductB', 2000.00, '2023-10-15'),    (3, 'ProductA', 1200.00, '2023-10-16'),    (4, 'ProductC', 1800.00, '2023-10-16'),    (5, 'ProductB', 2200.00, '2023-10-17');  Navegue de volta ao MinIO para ver se seu data lake foi preenchido com as tabelas Iceberg.   Ramificação e fusão com Nessie  Retorne ao Dremio em   . Comece consultando uma tabela na ramificação principal usando a sintaxe   : http://localhost:9047 AT BRANCH     SELECT * FROM nessie.SalesData AT BRANCH main;  Crie uma ramificação ETL (Extract Transform and Load) para permitir que você experimente e transforme dados sem afetar a produção.   CREATE BRANCH etl_06092023 in nessie  Dentro da ramificação ETL, insira novos dados na tabela:   USE BRANCH etl_06092023 in nessie; INSERT INTO nessie.SalesData (id, product_name, sales_amount, transaction_date) VALUES (6, 'ProductC', 1400.00, '2023-10-18');  Confirme a disponibilidade imediata dos novos dados na filial ETL:   SELECT * FROM nessie.SalesData AT BRANCH etl_06092023;  Observe o isolamento das alterações dos usuários na ramificação principal:   SELECT * FROM nessie.SalesData AT BRANCH main;  Mescle as alterações da ramificação ETL de volta à ramificação principal:   MERGE BRANCH etl_06092023 INTO main in nessie;  Selecione o branch principal novamente para ver se as alterações foram realmente mescladas.   SELECT * FROM nessie.SalesData AT BRANCH main  Essa estratégia de ramificação permite que os engenheiros de dados lidem de forma independente com inúmeras transações em diversas tabelas. Quando estiverem prontos, os engenheiros de dados podem mesclar essas transações em uma transação única e abrangente com várias mesas na filial principal.  Conclusão  Esta postagem do blog investigou o poder do controle de versão semelhante ao Git na engenharia de dados, enfatizando como  gerencia perfeitamente versões de dados, ramificações e fusões. Este guia passo a passo demonstra como Nessie, em colaboração com Dremio e MinIO, como base de armazenamento de objetos, melhora a qualidade dos dados e a colaboração em fluxos de trabalho de engenharia de dados.   Nessi  Deixe-nos saber como é o seu data lakehouse  ou em  .   olá@minio.io   nosso canal no Slack  Também aparece   . aqui

Developers do. Download MinIO and see for yourself. 

MinIO

Este áudio é produzido no idioma original da história!

Mistérios do Data Lake revelados: Nessie, Dremio e MinIO fazem ondas

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Modelo Bitcoin UTXO, alimentando um ecossistema único

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Modelo Bitcoin UTXO, alimentando um ecossistema único

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps