5-дневный практический тренинг по batch/streaming обработке потоков данных средствами Apache Airflow, Spark, Flume, Kafka, Sqoop, Hive  для организации озера данных (Data Lake) на кластере Hadoop версии 3 и процессов ETL/ELT.

Что такое Data Lake и зачем это нужно бизнесу

Data Lake (озеро данных) — это метод хранения данных в натуральном (сыром, «RAW») виде: в разных схемах и форматах, от blob-объектов до различных файлов. Корпоративное озеро данных позволяет предприятию иметь логически определенное, единое хранилище всех данных в организации (enterprise data), чтобы использовать их для построения аналитических отчетов, моделей машинного обучения и других прикладных задач.

Обычно Data Lake включает структурированную информацию из реляционных баз данных (строки и колонки), полуструктурированные файлы (CSV, логи, XML, JSON, AVRO, Parquet, ORC), неструктурированные (почтовые сообщения, документы, pdf) и даже бинарные данные (видео, аудио, графические изображения). Помимо необработанных исходных данных (RAW data), озеро данных также может содержать и предварительно обработанную (transformed) информацию.

За эффективную организацию процессов загрузки информации в озеро или корпоративное хранилище данных (КХД) и выгрузки оттуда нужных сведений отвечают инженеры данных (Data Engineer). Сегодня в большинстве случаев Data Lake строится с помощью компонентов экосистемы Apache Hadoop и сопутствующих технологий Big Data: Spark, Pig, Sqoop, Hive, Flume, Flink, Airflow, NiFi, Kafka, Cloudera Impala. Как успешно использовать все эти инструменты для создания уникального конвейера сбора и обработки данных (pipeline), вы узнаете на нашем 5-дневном обучающем курсе-тренинге «Hadoop для инженеров данных».

Кому нужно обучение по Data Lake

Курс Hadoop для инженеров данных ориентирован на специалистов по работе с большими данными, которые отвечают за настройку и сопровождение ввода данных в Data Lake и хотят получить теоретические знания и практические навыки по подготовке массивов Big Data и специфике процессов ETL/ELT в кластерах Hadoop. Также на нашем курсе Data Engineer освоит тонкости организации pipelines в Hadoop, Batch, stream и real—time процессинга больших данных с использованием компонентов экосистемы Хадуп.

Предварительный уровень подготовки:

• Знание базовых команд Linux (опыт работы с командной строкой, файловой системой , POSIX, текстовыми редакторами vi, nano)
• Начальный опыт работы с SQL

Что представляют собой курсы Hadoop для инженеров данных

Продолжительность: 5 дней, 40 академических часов

Соотношение теории к практике 40/60

Данный курс  включает теоретические знания и практические навыки планирования, формирования и сопровождения Hadoop Data Lake (озеро данных). Рассматриваются примеры интеграции, настройки и обслуживания конвейеров данных (pipelines) из традиционных источников: корпоративные базы данных, web-логи, файловые системы, интернет, транзакции и пр.  для последующего анализа больших данных.

На практике вы будете использовать выделенный кластер Hadoop в облаке Amazon Web Services (AWS) на базе дистрибутива Cloudera Data Platform (CDP) Private Cloud ( замена дистрибутива HortonWorks) или Arenadata Hadoop. Создадите свой data pipeline с помощью Apache Spark, Airflow, Sqoop, Hive, Flume, NiFi, Kafka. Изучите особенности импорта/экспорта данных и построения распределенных Big Data систем потоковой обработки событий (Event Processing System) на базе Apache Kafka.

Успешно окончив курс Hadoop для инженеров данных в нашем лицензированном учебном центре «Школа Больших Данных», вы получите сертификат или удостоверение установленного образца, которые могут засчитываться в качестве свидетельств о повышении квалификации.

Программа курса Hadoop для инженеров данных

1. Основные концепции Hadoop и Data Lake
   • Основы Hadoop. Основные компоненты, парадигма, история и тенденции развития
   • Современные хранилища данных, Data Lake, его архитектура
2. Map Reduce и Yarn
   • Ведение в MapReduce. Этапы выполнения задачи в MapReduce и подход к программированию
   • Архитектура и задачи YARN. Управление ресурсами и очередями задач, FIFO/Capacity/Fair scheduler
3. Хранение данных в HDFS
   • Архитектура HDFS. Операции чтения и записи, блоки HDFS
   • Основные команды работы с HDFS
   • Дополнительные возможности и особенности HDFS
4. Импорт/экспорт  данных в кластер Hadoop — формирование Data Lake
   • Импорт и обработка данных в кластере Hadoop
   • Интеграция с реляционными базами данных
   • Структура хранения данных в таблицах
   • Введение в Sqoop: импорт и экспорт данных из реляционных источников
5. Apache Hive
   • Введение в Hive и соответствие DDL операций структуре хранения
   • Работа с внешними и внутренними таблицами Hive
   • Партиционирование данных
   • Hive LLAP, Hive on Spark/Tez
   • Хранение данных в HDFS: сжатие и форматы файлов (AVRO, ORC, Parquet)
6. Основы Apache Spark
   • Архитектура и состав Apache Spark
   • Основные абстракции (Dataframe, RDD)
   • Spark SQL
   • Ввод и вывод данных в Apache Spark
7. Введение в Cloudera Impala
   • Введение в Cloudera Impala: особенности архитектура и компоненты
   • Взаимодействие Spark, Hive
8. Введение в Apache HBase
   • Архитектура и состав Apache HBase
   • Основные абстракции и язык запросов
9. Введение в Apache Kafka
   • Архитектура и состав Apache Kafka
   • Партиции, топики, управление смещением
   • Основные API
10. Введение в Apache Airflow
    • Архитектура и состав Apache Airflow
    • Основные абстракции (DAG, оператор, сенсор)
    • Основные операторы (Bash Operator, Python Operator)

Cписок практических занятий:  

• Выполнение и анализ работы Map Reduce приложений
• Особенности запуска задач и использование командной строки YARN
• Работа с HDFS (интерфейс командной строки)
• Импорт/экспорт данных с помощью Apache Sqoop
• Использование Apache Hive для анализа данных
• Обработка данных с использованием Structured API Apache Spark
• Сравнение производительности SQL движков (Hive, Spark, Impala)
• Работа в командной строке с Apache HBase
• Использование Consumer и Producer API в Apache Kafka
• Построение Workflow с использованием Apache Airflow