Piloto - Sobre o Apache Spark

Notas do episódio

O Apache Spark surgiu para superar as limitações de lentidão do Hadoop MapReduce, introduzindo o processamento em memória em 2009. Isso o torna até 100 vezes mais rápido para tarefas repetitivas, como machine learning e análises interativas. A evolução para DataFrames e Datasets e o Catalyst Optimizer facilitaram o uso e otimizaram a execução, impulsionando sua adoção.Sua principal força é ser uma plataforma unificada, consolidando processamento em lote, streaming, SQL, machine learning (MLlib) e grafos em um único ambiente, o que simplifica arquiteturas complexas. O Spark é usado desde ETL clássico até detecção de fraude em tempo real e treinamento de modelos.Apesar de poderoso, o Spark não é mágico: o gerenciamento de RAM é crucial, a otimização de clusters exige conhecimento e o custo da memória pode ser alto. Seu streaming é "quase em tempo real", não de latência ultrabaixa. Para volumes pequenos de dados, o overhead pode não compensar. No geral, o Spark virou um "canivete suíço" da engenharia de dados, transformando e unificando pipelines complexos, democratizando o processamento distribuído em larga escala.