Os pipelines de dados geralmente se encaixam em um desses três paradigmas: extração e carregamento (EL), extração, carregamento e transformação (ELT) ou extração, transformação e carregamento (ETL). Este curso descreve qual paradigma deve ser usado em determinadas situações e quando isso ocorre com dados em lote. Além disso, vamos falar sobre várias tecnologias no Google Cloud para transformação de dados, incluindo o BigQuery, a execução do Spark no Dataproc, gráficos de pipeline no Cloud Data Fusion e processamento de dados sem servidor com o Dataflow. Os participantes vão ganhar experiência prática na criação de componentes de pipelines de dados no Google Cloud usando o Qwiklabs.
Overview
Syllabus
- Introdução
- Neste módulo, vamos apresentar o curso e a programação.
- Introdução à criação de pipelines de dados em lote
- Este módulo analisa diferentes métodos de carregamento de dados: EL, ELT e ETL e quando usar cada um deles.
- Como executar o Spark no Dataproc
- Este módulo mostra como executar o Hadoop no Dataproc, como usar o Cloud Storage e como otimizar os jobs do Dataproc.
- Processamento de dados sem servidor com o Dataflow
- Este módulo aborda o uso do Dataflow para criar pipelines de processamento de dados.
- Gerenciamento de pipelines de dados com o Cloud Data Fusion e o Cloud Composer
- Este módulo mostra como gerenciar pipelines de dados com o Cloud Data Fusion e o Cloud Composer.
- Resumo do curso
- Resumo do curso
Taught by
Google Cloud Training
Related Courses
-
Modernizing Data Lakes and Data Warehouses with GCP em Português Brasileiro
-
Serverless Data Processing with Dataflow: Foundations em Português Brasileiro
-
Building Resilient Streaming Analytics Systems on GCP em Português Brasileiro
-
Building Batch Data Pipelines on GCP en Español
-
Data Engineering on Google Cloud Platform em Português Brasileiro
-
Serverless Data Processing with Dataflow: Operations em Português Brasileiro
