北京
分享至
【培训对象】
数据平台架构师、数据湖工程师、大数据开发人员，希望解决传统数据仓库局限性，构建统一的数据湖平台。
- 【培训目标】
一、 理解数据湖的核心概念及其与数据仓库的差异，熟悉Delta Lake、Iceberg、Hudi等主流数据湖表格式。
二、 掌握数据湖的ACID事务、Schema演化、Time Travel等核心特性的原理与应用。
三、 能够基于数据湖技术构建支持流批一体、支持多种计算引擎的统一数据存储和管理平台。
四、 学会对数据湖中的数据进行有效治理，包括元数据管理、数据质量、权限控制等。 - 【培训内容介绍】
一、 数据湖概念与演进：从数据仓库到数据湖再到湖仓一体，数据湖的核心价值（存储多结构数据、支持多种计算引擎、TCO）。
二、 数据湖表格式概述：Delta Lake、Apache Iceberg、Apache Hudi三大主流格式的对比与发展趋势。
三、 Delta Lake深度解析：事务日志、ACID事务、Schema强制与演化、Time Travel、Z-Order优化。
四、 Delta Lake实战：在Spark中集成Delta Lake，进行读写操作，利用其特性解决数据一致性问题。
五、 Apache Iceberg深度解析：Iceberg的表格式规范、隐藏分区、分区演化、快照隔离、乐观并发控制。
六、 Apache Iceberg实战：在Spark/Flink中集成Iceberg，实现高效的流批读写和精确的增量读取。
七、 数据湖计算引擎集成：如何让Spark、Flink、Trino/Presto、Hive无缝读写数据湖表。
八、 流批一体在数据湖上的实践：利用Flink将实时数据流写入Iceberg/Delta表，实现分钟级数据可见性。
九、 数据湖构建实战：在对象存储（如MinIO/S3/HDFS）上搭建数据湖平台，配置元数据服务。
十、 数据湖治理：元数据管理（跟踪表的Schema和历史）、数据质量监控（在写入时检查数据质量）、数据安全与权限控制（对接Ranger）。
十一、 数据湖上的数据科学：如何利用数据湖存储的特征数据和模型，支持机器学习训练。
十二、 实战演练：基于开源组件搭建一个小型数据湖平台，演示从数据摄入、流批处理、到数据查询和治理的全流程。
声明：内容由AI生成
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
