Ir para conteúdo

Main
Feed do blog

lyamada-tech blog

Escrito por Luis Yamadaagosto 24, 2020

Soluções para erros comuns de jobs Spark

Ver no Medium.com

Compartilhe isso:

18+
Facebook

Curtir Carregando...

Publicado em Sem categoria.Com a tag big data, data engineering, hadoop, pyspark, spark, spark streaming.

Deixe um comentário Cancelar resposta

Δ

GitHub
Twitter
Twitch
LinkedIn
E-mail

Tags

airflow api architecture athena automation aws back-end backend bash big data ci coding containers data engineering data lake data quality data science data scraper data visualization data warehouse deploy development devops django docker dynamodb environment etl fastapi framework glue gpu hadoop hands-on iac jaeger java jupyter k8s kafka kinesis kubernetes lambda logs machine learning monitoramento nosql pandas pyspark python python environment quarkus questdb quicksight real-time reativo regex rest s3 scheduling sentiment analysis serverless spark spark sql spark streaming springboot sql streaming terraform timestream twitter UI unix vaex whatever

agosto 2020
D	S	T	Q	Q	S	S
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30	31

« jul set »

Navegação de posts

Previous Post Benchmark de performances de diferentes formatos de arquivos vs Pandas

Next Post Série de 6 artigos sobre Tunning de jobs spark (custo/eficiência)

Privacidade e cookies: Esse site utiliza cookies. Ao continuar a usar este site, você concorda com seu uso.
Para saber mais, inclusive sobre como controlar os cookies, consulte aqui: Política de cookies

Comentário
Reblogar
Assinar Assinado
- lyamada.tech.blog
- Já tem uma conta do WordPress.com? Faça login agora.

%d

Crie um site como este com o WordPress.com