Spark SQL: Optimizador Catalyst
En entradas anteriores del blog, se realizó una introducción al framework de procesamiento distribuido Apache Spark. El objetivo de esta entrada es introducir las ventajas del uso del optimizador Catalyst de…
Big Data
22 Publicaciones
Big Data son una serie de técnicas que nos permiten el tratamiento de datos o combinaciones de conjuntos de datos cuyo tamaño, complejidad y velocidad de crecimiento dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales o paquetes de visualización, dentro del tiempo necesario para que sean útiles.
En BI Geek desarrollamos proyectos basados en tecnologías Opensource, herramientas Enterprise o plataformas Cloud, utilizando arquitecturas adaptadas a las necesidades del cliente.
Formatos de ficheros en Hadoop
Como se comentaba en anteriores artículos, Hadoop es un ecosistema de aplicaciones que permite implementar plataformas Big Data distribuidas, funcionales y escalables. El ecosistema Hadoop está diseñado para procesar grandes…
2gether, the first collaborative bank
En cierta ocasión, un buen amigo mío apasionado con la Retórica de Aristóteles, me recomendó que siempre que escribiera un artículo, contara una historia o presentara un proyecto lo hiciera…
MongoDB – Querying II
En entradas anteriores se presentó las carácterísticas generales de MongoDB y una introducción a la realización de consultas, donde se pudo ver la insercción, eliminación de documentos y consultas sobre los mismos. En esta entrada se analizarán consultas más avanzadas sobre tipos complejos de datos mediante el uso de código JavaScript. Además se expondrá el uso de índices para mejorar la eficiencia en las consultas.
Apache Spark: RDD Performance II
Anteriormente iniciamos una serie de entradas relacionadas con las consideraciones generales a tener en cuenta a la hora de programar en Apache Spark. En esta entrada vamos a centrarnos, por un lado, en comentar los errores más comunes que ocurren cuando ejecutamos algún programa en Apache Spark, y por otro vamos a comentar la necesidad de elegir el número de particiones que debe tener un RDD.
Cassandra: Introducción
En esta entrada haremos una introducción a una de las principales Bases de Datos NOSQL (Not Only SQL) que existen hoy en día en el mercado, Cassandra. Se considera una de las bases de datos distribuidas con mayor auge en los últimos años en el paradigma Big Data. Antes de introducirnos a sus principales características, conozcamos un poco de su historia.
Redis para principiantes
Redis (Remote Dictionary Server) es una Base de Datos con un motor de almacenamiento Clave-Valor. Además, los datos residen, principalmente, en memoria, lo que proporciona a este sistema unos muy buenos tiempos de respuesta en la recuperación de la información.
Cloud Computing: Modelos de servicio
En esta entrada se abordarán los modelos de servicio que contempla el Instituto Nacional de Estándares y Tecnología (NIST por sus siglas en ingles), IaaS, SaaS y PaaS.
Por ello, es importante definir al Cloud como un modelo de recursos informáticos de demanda rápida, integrado por procesadores, almacenamiento, aplicaciones y servicios.
Por ello, es importante definir al Cloud como un modelo de recursos informáticos de demanda rápida, integrado por procesadores, almacenamiento, aplicaciones y servicios.
Principales categorías de herramientas ETL – Parte II
En la anterior entrada del blog, Principales categorías de herramientas ETL, se introdujeron dos tipos de herramientas de ETL, las Enterprise Software y las Open Source. En esta entrada se presentarán los otros dos tipos de herramientas ETL: los personalizadas y los servicios en la nube.
Introducción a Bases de Datos Distribuidas
En los últimos años, muchas empresas se han centrado en el almacenamiento y análisis de grandes cantidades de información siendo esto imposible con sistemas de almacenamiento tradicionales. Las bases de datos distribuidas surgieron con el objetivo de solventar esta problemática y poder almacenar mayor cantidad sin poner en riesgo la eficiencia del sistema.