Bienvenida e introducción al curso

1

Iniciando con Big Data

2

Cloud Computing en proyectos de BigData

3

Introducción al manejo de datos en Cloud

4

Datos en Cloud

5

¿Qué nube debería utilizar en mi proyecto de Big Data?

Arquitecturas

6

Arquitecturas Lambda

7

Arquitectura Kappa

8

Arquitectura Batch

Extracción de información

9

Llevar tu información al cloud

10

Demo - Creando nuestro IDE en la nube con Python - Boto3

11

¿Cómo usar Boto3?

12

API Gateway

13

Storage Gateway

14

Kinesis Data Streams

15

Configuración de Kinesis Data Streams

16

Demo - Despegando Kinesis con Cloudformation

17

Kinesis Firehose

18

Demo - Configuración de Kinesis Firehose

19

Reto - Configurando Kinesis Firehose

20

AWS - MSK

21

Demo - Despliegue de un clúster con MSK

Transformación de Información

22

AWS - Glue

23

Demo - Instalando Apache Zeppelin

24

Creación del Developer Endpoint

25

Demo - Conectando nuestro developer Endpoint a nuestro Zeppelin Edpoint

26

Demo - Creando nuestro primer ETL - Crawling

27

Demo - Creando nuestro primer ETL - Ejecución

28

Demo - Creando nuestro primer ETL - Carga

29

AWS - EMR

30

Demo - Desplegando nuestro primer clúster con EMR

31

Demo - Conectándonos a Apache Zeppelin en EMR

32

Demo- Despliegue automático de EMR con cloudformation

33

AWS - Lambda

34

Ejemplos AWS- Lambda

35

Demo - Creando una lambda para BigData

Carga de Información

36

AWS - Athena

37

Demo - Consultando data con Athena

38

AWS - RedShift

39

Demo - Creando nuestro primer clúster de RedShift

40

AWS - Lake Formation

Consumo de información

41

AWS - ElasticSearch

42

Demo - Creando nuestro primer clúster de ElasticSearch

43

AWS - Kibana

44

AWS - QuickSight

45

Demo - Visualizando nuestra data con QuickSight

Seguridad, Orquestación y Automatización

46

Seguridad en los Datos

47

AWS Macie

48

Demo - Configurando AWS Macie

49

Apache Airflow

50

Demo - Creando nuestro primer clúster en Cloud Composer

51

Arquitectura de referencia

Clase pública

52

¿Qué es Big Data?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Curso de Big Data en AWS

Curso de Big Data en AWS

Carlos Andrés Zambrano Barrera

Carlos Andrés Zambrano Barrera

Kinesis Firehose

17/52
Recursos
  1. Completamente administrado para la entrega de datos en tiempo real.
  2. Permite usar una lambda para transformar la data.
  3. Puede alimentar a diferentes sistemas de almacenamiento.

Aportes 5

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Dentro del mundo de Kinesis, tenemos varios tipos; en este caso, nos fijaremos en Firehose.

Este servicio tiene ciertas características:

  • Este es un servicio completamente administrado para la entrega de datos de streaming en tiempo real.
  • Puede utilizar otros servicios como funciones Lambda para transformar la información.
  • Puede ingestar la información a diferentes servicios como S3, RedShift, ElasticSearch, Splunk, etc.

Es muy importante tener en cuenta en las arquitecturas que realicemos, que por cada índice se debe tener un Kinesis Firehose diferente.

Kinesis Firehose puede utilizarse conjuntamente con un Kinesis Data Stream, ubicándose después de éste último mencionado.

Aquí, el data source podría ser también un Kinesis Data Stream.

Está muy claro que Kinesis Firehouse procesa información, pero entonces Kinesis Data Stream aparentement solo es un paso de la información para distribuir a diversos servicios sin hacer procesamiento. Es correcto este entendimiento?

Completamente administrado para la entrega de datos en tiempo real.
Permite usar una lambda para transformar la data.
Puede alimentar a diferentes sistemas de almacenamiento.

que potente haciendo input a S3, redshift, elasticsearch, splunk

Hola buenos dias,

Me preguntaba si pudia conectar un firehose directamente a un productor de datos en tiempo real en lugar de conectar el kinesis data stream?

Muchas gracias