SQL on Big Data

Tratado técnico y comparativo desarrollado por Sumit Pal que analiza en profundidad la evolución, arquitectura interna y madurez de los motores que permiten ejecutar consultas SQL estándar directamente sobre infraestructuras distribuidas de Big Data (reflejando el panorama tecnológico de 2016). Está dirigido a arquitectos de datos, ingenieros analíticos y administradores de bases de datos de nivel intermedio o avanzado que necesitan comprender cómo se resuelven los problemas de latencia, concurrencia y movimiento de datos al consultar petabytes de información sin depender de complejos programas procedimentales en MapReduce.

El libro clasifica y desmenuza los principales motores del ecosistema dividiéndolos por sus patrones de ejecución: arquitecturas por lotes orientadas a escalabilidad masiva como Apache Hive (analizando optimizaciones con Tez y LLAP); motores de procesamiento masivo en paralelo (MPP) interactivos y de baja latencia como Apache Impala, Presto y Apache Drill (diseñado para consultar datos sin esquema rígido en JSON o Parquet); la capa analítica de Apache Spark SQL; motores de streaming que admiten consultas continuas sobre datos en movimiento como Spark Streaming, Apache Storm y Apache Flink; y sistemas operacionales u OLTP híbridos como Apache Phoenix sobre HBase, Splice Machine y HAWQ. Detalla aspectos críticos como el diseño de optimizadores de consultas (cost-based optimizers), vectorización, gestión de memoria distribuida y almacenamiento en formatos columnares como ORC y Parquet.

Su desarrollo es conceptual y analítico: no contiene proyectos guiados de codificación ni ejercicios prácticos paso a paso, sino esquemas de arquitectura interna, desgloses de rendimiento y guías de selección tecnológica según SLAs de negocio (procesamiento batch, análisis exploratorio interactivo o dashboards en tiempo real). Su principal aporte radica en disipar la confusión reinante en la industria comparando con rigor los pros y contras de cada motor bajo un marco común. No enseña sintaxis SQL básica ni administración de servidores, por lo que es imprescindible contar con un dominio sólido de SQL relacional y fundamentos de sistemas distribuidos.