INTERMEDIO · 8 MÓDULOS · 64 LECCIONES

Lakehouse e Iceberg

Convierte tus archivos Parquet en tablas Apache Iceberg con transacciones, historial consultable, cambios de esquema sin reescribir datos y upserts nativos.

Es para ti si
Ya escribes Parquet o mantienes un warehouse y llevas el historial de cambios a mano.
Al terminar
Sabrás usar time travel, evolucionar esquema y partición, mantener una tabla sana y decidir cuándo conviene un lakehouse.
Necesitas
Python intermedio, Parquet y SQL básico. Spark con Java 17 solo para el módulo de MERGE.
  1. 01From File Format To Table Format8 LECCIONES
    1. Presentación del módulo: de un archivo Parquet a una tabla Iceberg real
    2. Cuatro veces que Parquet solo no fue suficiente
    3. Formato de archivo vs formato de tabla
    4. Instalando PyIceberg y un catálogo local
    5. Creando tu primer namespace y tabla
    6. Cargando el fact_orders de Kiosko en Iceberg
    7. Verificando el mismo total de 106.15
    8. Proyecto: la primera tabla Iceberg de Kiosko
  2. 02Anatomy Of An Iceberg Table8 LECCIONES
    1. Presentación del módulo: la anatomía de una tabla Iceberg
    2. El catálogo: un puntero a la metadata vigente
    3. El archivo de metadata: esquema, partición, snapshots
    4. Manifest lists y manifest files
    5. Los archivos de datos: el Parquet que ya conoces
    6. Inspeccionando la tabla de Kiosko en disco
    7. Leyendo snapshots e historia con PyIceberg
    8. Proyecto: la anatomía de la tabla de Kiosko, mapeada
  3. 03Snapshots And Time Travel8 LECCIONES
    1. Presentación del módulo: snapshots y time travel
    2. Cada escritura es un snapshot nuevo
    3. Cambiando P002 con un overwrite normal
    4. Capturando el snapshot-id, nunca hardcodeándolo
    5. Time travel: AS OF un snapshot-id
    6. Recuperando la historia de P002 con cero columnas extra
    7. Lo que el time travel no reemplaza
    8. Proyecto: el dim_product de Kiosko viajado en el tiempo
  4. 04Schema Evolution Without Rewriting8 LECCIONES
    1. Presentación del módulo: evolución de esquema sin reescritura
    2. Por qué overwrite-partition nunca fue atómico
    3. Agregando una columna sin reescribir datos
    4. Renombrando y borrando columnas de forma segura
    5. Poblando country en dim_store
    6. Leyendo snapshots antiguos después de un cambio de esquema
    7. Qué garantiza "ACID" en este contexto exacto
    8. Proyecto: el dim_store de Kiosko evolucionado
  5. 05Hidden Partitioning And Partition Evolution8 LECCIONES
    1. Presentación del módulo: partición oculta y evolución de partición
    2. Cómo Spark particionó a Kiosko por carpetas
    3. Partición oculta: la misma consulta, sin saber el layout
    4. Transforms de partición: `IdentityTransform`, `BucketTransform`, `DayTransform`
    5. Particionando `fact_orders_at_scale`
    6. Evolucionando el `PartitionSpec` sin reescribir
    7. Leyendo esquemas de partición viejos y nuevos, juntos
    8. Proyecto: el `fact_orders_at_scale` de Kiosko, particionado
  6. 06Merge Into And Native Upserts8 LECCIONES
    1. Presentación del módulo: `MERGE INTO` y upserts nativos
    2. Tres formas en que Kiosko ya resolvió esto
    3. Configurando Spark con el runtime de Iceberg
    4. `MERGE INTO` en Spark SQL
    5. Corriendo el cambio de P002 como un MERGE
    6. El upsert de PyIceberg: la alternativa Python-nativa
    7. Eligiendo entre MERGE en SQL y upsert en Python
    8. Proyecto: el upsert nativo de Kiosko
  7. 07Catalogs Maintenance And Delta Lake By Contrast8 LECCIONES
    1. Presentación del módulo: catálogos, mantenimiento y Delta Lake por contraste
    2. Catálogos más allá de lo local: REST, Glue, Unity Catalog, Polaris
    3. Por qué los snapshots acumulan costo
    4. Compactando archivos pequeños
    5. Expirando snapshots viejos, con seguridad
    6. Eliminando archivos huérfanos
    7. Delta Lake, por contraste
    8. Proyecto: la tabla mantenida de Kiosko
  8. 08Project Kioskos Lakehouse8 LECCIONES
    1. Presentación del módulo: el capstone, el lakehouse completo de Kiosko
    2. El brief: Kiosko necesita un lakehouse, no siete demos
    3. Reconstruyendo el star schema como tablas Iceberg
    4. Reproduciendo la historia de P002 con time travel
    5. Evolucionando y particionando a escala
    6. Fusionando actualizaciones a la manera nativa
    7. Qué le sigue faltando a Kiosko
    8. Proyecto: el primer lakehouse de Kiosko
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab