Big Data Made Easy

Guía técnica orientada a explorar y poner en marcha el conjunto completo de herramientas del ecosistema Apache Hadoop en su versión 2.x (basada en YARN). Michael Frampton plantea la obra desde la perspectiva del ciclo de vida y los roles de un sistema distribuido, dirigiéndose a desarrolladores, ingenieros de datos, administradores de sistemas y evaluadores que cuenten con conocimientos básicos del entorno de comandos Linux y de los fundamentos de bases de datos relacionales, y que necesiten implementar plataformas de procesamiento escalables y tolerantes a fallos.

El libro recorre de manera práctica cada etapa de la gestión masiva de datos y sus herramientas asociadas: almacenamiento distribuido y gestión de clústeres con HDFS, YARN y Apache ZooKeeper; recolección, rastreo e indexación con Apache Nutch y Apache Solr; procesamiento masivo por lotes y en streaming mediante MapReduce, Apache Pig y Apache Storm; orquestación y programación de tareas con Apache Oozie; movimiento y serialización de datos hacia entornos SQL y NoSQL con Apache Sqoop y Apache Avro; monitorización de infraestructura con Chukwa, Apache Ambari y Hue; análisis estructurado con Apache Hive y Pentaho Data Integration; y validación del sistema con el framework de pruebas Apache Bigtop.

El contenido adopta una estructura modular en la que cada capítulo introduce la teoría de una herramienta y guía su instalación, configuración y ejecución con ejemplos prácticos de comandos y scripts (como trabajos en Pig Latin o consultas analíticas en Hive). Su principal mérito consiste en organizar el disperso catálogo open source de Hadoop bajo una secuencia lógica de ingeniería de datos, sirviendo como un índice de consulta muy útil. No obstante, al cubrir una variedad tan amplia de utilidades en menos de 400 páginas, no profundiza en desarrollo avanzado en Java ni en optimizaciones de rendimiento a bajo nivel, y varias de las herramientas explicadas han sido desplazadas posteriormente por tecnologías más modernas como Spark o Kafka.