SlideShare uma empresa Scribd logo

O que você precisa saber para modelar bancos de dados NoSQL - Dani Monteiro

iMasters
iMasters

Banco de dados sem schema não precisa de modelo de dados!” Se você acredita nisso, seu projeto começou a falhar antes de começar! Vamos conversar sobre como modelar seu banco de dados NoSQL sem perder a flexibilidade e sem perder o controle sobre seus dados.

1 de 40
Baixar para ler offline
O que você
precisa saber
para modelar
bancos de dados
NoSQL
Danielle Monteiro
DB4Beginners.com/e-book
twitter.com/danimonteirodba
facebook.com/DB4Beginners
www.linkedin.com/in/danimonteirodba
WBSoft.com.br
2
Contatos
/DB4Beginners
/DaniMonteiroDBA
/DaniMonteiroDBA
http://bit.ly/db-sp
http://bit.ly/danimonteirodba
www.linkedin.com/in/danimonteirodba/
Sites
× Portfólio: www.DaniMonteiroDBA.com
× Blog: DB4Beginners.com
× Consultoria: www.WDB.Consulting
× Meetup: https://www.meetup.com/pt-
BR/Databases-SP/
× Projeto: www.WoMakersCode.org
O que é
Modelagem?
5
6

Recomendados

[TDC2016] Apache Cassandra Estratégias de Modelagem de Dados
[TDC2016]  Apache Cassandra Estratégias de Modelagem de Dados[TDC2016]  Apache Cassandra Estratégias de Modelagem de Dados
[TDC2016] Apache Cassandra Estratégias de Modelagem de DadosEiti Kimura
 
Banco de Dados II Aula 14 - Projeto de Banco de Dados e Estudo de Caso (Postg...
Banco de Dados II Aula 14 - Projeto de Banco de Dados e Estudo de Caso (Postg...Banco de Dados II Aula 14 - Projeto de Banco de Dados e Estudo de Caso (Postg...
Banco de Dados II Aula 14 - Projeto de Banco de Dados e Estudo de Caso (Postg...Leinylson Fontinele
 
Banco de Dados II Aula 06 - Modelagem de Dados (Modelo Físico)
Banco de Dados II Aula 06 - Modelagem de Dados (Modelo Físico)Banco de Dados II Aula 06 - Modelagem de Dados (Modelo Físico)
Banco de Dados II Aula 06 - Modelagem de Dados (Modelo Físico)Leinylson Fontinele
 
Apache Pinot Meetup Sept02, 2020
Apache Pinot Meetup Sept02, 2020Apache Pinot Meetup Sept02, 2020
Apache Pinot Meetup Sept02, 2020Mayank Shrivastava
 
POO - 01 - Introdução ao Paradigma Orientado a Objetos
POO - 01 - Introdução ao Paradigma Orientado a ObjetosPOO - 01 - Introdução ao Paradigma Orientado a Objetos
POO - 01 - Introdução ao Paradigma Orientado a ObjetosLudimila Monjardim Casagrande
 
Banco de Dados I Aula 06 - Generalização e Especialização
Banco de Dados I Aula 06 - Generalização e EspecializaçãoBanco de Dados I Aula 06 - Generalização e Especialização
Banco de Dados I Aula 06 - Generalização e EspecializaçãoLeinylson Fontinele
 
[pgday.Seoul 2022] PostgreSQL with Google Cloud
[pgday.Seoul 2022] PostgreSQL with Google Cloud[pgday.Seoul 2022] PostgreSQL with Google Cloud
[pgday.Seoul 2022] PostgreSQL with Google CloudPgDay.Seoul
 

Mais conteúdo relacionado

Mais procurados

Aula 1 - Introdução a POO
Aula 1 -  Introdução a POOAula 1 -  Introdução a POO
Aula 1 - Introdução a POODaniel Brandão
 
MySQL Performance Schema in Action
MySQL Performance Schema in ActionMySQL Performance Schema in Action
MySQL Performance Schema in ActionSveta Smirnova
 
Processing Large Datasets for ADAS Applications using Apache Spark
Processing Large Datasets for ADAS Applications using Apache SparkProcessing Large Datasets for ADAS Applications using Apache Spark
Processing Large Datasets for ADAS Applications using Apache SparkDatabricks
 
Conhecendo Apache Cassandra @Movile
Conhecendo Apache Cassandra  @MovileConhecendo Apache Cassandra  @Movile
Conhecendo Apache Cassandra @MovileEiti Kimura
 
Banco de dados - Aula 1 SQL
Banco de dados - Aula 1 SQLBanco de dados - Aula 1 SQL
Banco de dados - Aula 1 SQLDaniel Brandão
 
Using pySpark with Google Colab & Spark 3.0 preview
Using pySpark with Google Colab & Spark 3.0 previewUsing pySpark with Google Colab & Spark 3.0 preview
Using pySpark with Google Colab & Spark 3.0 previewMario Cartia
 
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERBanco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERRangel Javier
 
How to Utilize MLflow and Kubernetes to Build an Enterprise ML Platform
How to Utilize MLflow and Kubernetes to Build an Enterprise ML PlatformHow to Utilize MLflow and Kubernetes to Build an Enterprise ML Platform
How to Utilize MLflow and Kubernetes to Build an Enterprise ML PlatformDatabricks
 
MongoDB WiredTiger Internals
MongoDB WiredTiger InternalsMongoDB WiredTiger Internals
MongoDB WiredTiger InternalsNorberto Leite
 
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)Leinylson Fontinele
 
Querying the Wikidata Knowledge Graph
Querying the Wikidata Knowledge GraphQuerying the Wikidata Knowledge Graph
Querying the Wikidata Knowledge GraphIoan Toma
 
HA, Scalability, DR & MAA in Oracle Database 21c - Overview
HA, Scalability, DR & MAA in Oracle Database 21c - OverviewHA, Scalability, DR & MAA in Oracle Database 21c - Overview
HA, Scalability, DR & MAA in Oracle Database 21c - OverviewMarkus Michalewicz
 
Learning to rank search results
Learning to rank search resultsLearning to rank search results
Learning to rank search resultsJettro Coenradie
 
Delta lake and the delta architecture
Delta lake and the delta architectureDelta lake and the delta architecture
Delta lake and the delta architectureAdam Doyle
 
A Technical Introduction to WiredTiger
A Technical Introduction to WiredTigerA Technical Introduction to WiredTiger
A Technical Introduction to WiredTigerMongoDB
 
Estrutura de Dados - Aula 03 - Ponteiros e Funções
Estrutura de Dados - Aula 03 - Ponteiros e FunçõesEstrutura de Dados - Aula 03 - Ponteiros e Funções
Estrutura de Dados - Aula 03 - Ponteiros e FunçõesLeinylson Fontinele
 

Mais procurados (20)

Introdução ao BD Postgre
Introdução ao BD PostgreIntrodução ao BD Postgre
Introdução ao BD Postgre
 
Aula 1 - Introdução a POO
Aula 1 -  Introdução a POOAula 1 -  Introdução a POO
Aula 1 - Introdução a POO
 
Introdução ao SQL
Introdução ao SQLIntrodução ao SQL
Introdução ao SQL
 
MySQL Performance Schema in Action
MySQL Performance Schema in ActionMySQL Performance Schema in Action
MySQL Performance Schema in Action
 
Processing Large Datasets for ADAS Applications using Apache Spark
Processing Large Datasets for ADAS Applications using Apache SparkProcessing Large Datasets for ADAS Applications using Apache Spark
Processing Large Datasets for ADAS Applications using Apache Spark
 
Conhecendo Apache Cassandra @Movile
Conhecendo Apache Cassandra  @MovileConhecendo Apache Cassandra  @Movile
Conhecendo Apache Cassandra @Movile
 
Banco de dados - Aula 1 SQL
Banco de dados - Aula 1 SQLBanco de dados - Aula 1 SQL
Banco de dados - Aula 1 SQL
 
Rules engine
Rules engineRules engine
Rules engine
 
Using pySpark with Google Colab & Spark 3.0 preview
Using pySpark with Google Colab & Spark 3.0 previewUsing pySpark with Google Colab & Spark 3.0 preview
Using pySpark with Google Colab & Spark 3.0 preview
 
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERBanco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
 
How to Utilize MLflow and Kubernetes to Build an Enterprise ML Platform
How to Utilize MLflow and Kubernetes to Build an Enterprise ML PlatformHow to Utilize MLflow and Kubernetes to Build an Enterprise ML Platform
How to Utilize MLflow and Kubernetes to Build an Enterprise ML Platform
 
MongoDB WiredTiger Internals
MongoDB WiredTiger InternalsMongoDB WiredTiger Internals
MongoDB WiredTiger Internals
 
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados II Aula 07 - Linguagem de Consulta SQL (Comandos DDL)
 
Querying the Wikidata Knowledge Graph
Querying the Wikidata Knowledge GraphQuerying the Wikidata Knowledge Graph
Querying the Wikidata Knowledge Graph
 
HA, Scalability, DR & MAA in Oracle Database 21c - Overview
HA, Scalability, DR & MAA in Oracle Database 21c - OverviewHA, Scalability, DR & MAA in Oracle Database 21c - Overview
HA, Scalability, DR & MAA in Oracle Database 21c - Overview
 
Learning to rank search results
Learning to rank search resultsLearning to rank search results
Learning to rank search results
 
Delta lake and the delta architecture
Delta lake and the delta architectureDelta lake and the delta architecture
Delta lake and the delta architecture
 
A Technical Introduction to WiredTiger
A Technical Introduction to WiredTigerA Technical Introduction to WiredTiger
A Technical Introduction to WiredTiger
 
Estrutura de Dados - Aula 03 - Ponteiros e Funções
Estrutura de Dados - Aula 03 - Ponteiros e FunçõesEstrutura de Dados - Aula 03 - Ponteiros e Funções
Estrutura de Dados - Aula 03 - Ponteiros e Funções
 
Aula 09 - introducao oo
Aula 09 - introducao ooAula 09 - introducao oo
Aula 09 - introducao oo
 

Semelhante a O que você precisa saber para modelar bancos de dados NoSQL - Dani Monteiro

Minicurso Epoca mongoDB
Minicurso Epoca mongoDBMinicurso Epoca mongoDB
Minicurso Epoca mongoDBLelyBarros
 
NoSQL Familia de Colunas Apresentação
NoSQL Familia de Colunas ApresentaçãoNoSQL Familia de Colunas Apresentação
NoSQL Familia de Colunas ApresentaçãoAugusto Giles
 
[MinhaVida TechDay] NoSQL
[MinhaVida TechDay] NoSQL[MinhaVida TechDay] NoSQL
[MinhaVida TechDay] NoSQLCleber Dantas
 
[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data
[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data
[DTC21] Lucas Gomes - Do 0 ao 100 no Big DataDeep Tech Brasil
 
01 banco de dados-basico
01 banco de dados-basico01 banco de dados-basico
01 banco de dados-basicoAmadeo Santos
 
Big Data, NoSQL e In Memory Databases
Big Data, NoSQL e In Memory DatabasesBig Data, NoSQL e In Memory Databases
Big Data, NoSQL e In Memory DatabasesCaio Louro
 
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.Ambiente Livre
 
Banco de Dados 01 - Semana 01
Banco de Dados 01 - Semana 01Banco de Dados 01 - Semana 01
Banco de Dados 01 - Semana 01Eder Samaniego
 
Banco de Dados NoSQL - Disciplina: Sistemas Distribuídos
Banco de Dados NoSQL - Disciplina: Sistemas DistribuídosBanco de Dados NoSQL - Disciplina: Sistemas Distribuídos
Banco de Dados NoSQL - Disciplina: Sistemas DistribuídosJoão Helis Bernardo
 
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...Fabrício Catae
 
Apostila NoSql.pdf
Apostila NoSql.pdfApostila NoSql.pdf
Apostila NoSql.pdfEizo Edson
 
Bancos de dados no sql – uma nova abordagem
Bancos de dados no sql – uma nova abordagemBancos de dados no sql – uma nova abordagem
Bancos de dados no sql – uma nova abordagemJoão Gabriel Lima
 
noções de sgdb
noções de sgdbnoções de sgdb
noções de sgdbPaulo Reis
 

Semelhante a O que você precisa saber para modelar bancos de dados NoSQL - Dani Monteiro (20)

No sql o_que_e_isso.key
No sql o_que_e_isso.keyNo sql o_que_e_isso.key
No sql o_que_e_isso.key
 
Minicurso Epoca mongoDB
Minicurso Epoca mongoDBMinicurso Epoca mongoDB
Minicurso Epoca mongoDB
 
NoSQL Familia de Colunas Apresentação
NoSQL Familia de Colunas ApresentaçãoNoSQL Familia de Colunas Apresentação
NoSQL Familia de Colunas Apresentação
 
Palestra nosql
Palestra nosqlPalestra nosql
Palestra nosql
 
[MinhaVida TechDay] NoSQL
[MinhaVida TechDay] NoSQL[MinhaVida TechDay] NoSQL
[MinhaVida TechDay] NoSQL
 
Slide da aula 04
Slide da aula 04Slide da aula 04
Slide da aula 04
 
[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data
[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data
[DTC21] Lucas Gomes - Do 0 ao 100 no Big Data
 
SQL Oracle
SQL OracleSQL Oracle
SQL Oracle
 
NoSql
NoSqlNoSql
NoSql
 
01 banco de dados-basico
01 banco de dados-basico01 banco de dados-basico
01 banco de dados-basico
 
Big Data, NoSQL e In Memory Databases
Big Data, NoSQL e In Memory DatabasesBig Data, NoSQL e In Memory Databases
Big Data, NoSQL e In Memory Databases
 
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.
Escalabilidade Linear com o Banco de Dados NoSQL Apache Cassandra.
 
Banco de Dados 01 - Semana 01
Banco de Dados 01 - Semana 01Banco de Dados 01 - Semana 01
Banco de Dados 01 - Semana 01
 
Weka pentaho day2014-fidelis
Weka pentaho day2014-fidelisWeka pentaho day2014-fidelis
Weka pentaho day2014-fidelis
 
Introdução ao NoSQL
Introdução ao NoSQLIntrodução ao NoSQL
Introdução ao NoSQL
 
Banco de Dados NoSQL - Disciplina: Sistemas Distribuídos
Banco de Dados NoSQL - Disciplina: Sistemas DistribuídosBanco de Dados NoSQL - Disciplina: Sistemas Distribuídos
Banco de Dados NoSQL - Disciplina: Sistemas Distribuídos
 
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
 
Apostila NoSql.pdf
Apostila NoSql.pdfApostila NoSql.pdf
Apostila NoSql.pdf
 
Bancos de dados no sql – uma nova abordagem
Bancos de dados no sql – uma nova abordagemBancos de dados no sql – uma nova abordagem
Bancos de dados no sql – uma nova abordagem
 
noções de sgdb
noções de sgdbnoções de sgdb
noções de sgdb
 

Mais de iMasters

Postgres: wanted, beloved or dreaded? - Fabio Telles
Postgres: wanted, beloved or dreaded? - Fabio TellesPostgres: wanted, beloved or dreaded? - Fabio Telles
Postgres: wanted, beloved or dreaded? - Fabio TellesiMasters
 
Por que minha query esta lenta? - Suellen Moraes
Por que minha query esta lenta? - Suellen MoraesPor que minha query esta lenta? - Suellen Moraes
Por que minha query esta lenta? - Suellen MoraesiMasters
 
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...iMasters
 
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalves
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalvesORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalves
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalvesiMasters
 
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...iMasters
 
Arquitetando seus dados na prática para a LGPD - Alessandra Martins
Arquitetando seus dados na prática para a LGPD - Alessandra MartinsArquitetando seus dados na prática para a LGPD - Alessandra Martins
Arquitetando seus dados na prática para a LGPD - Alessandra MartinsiMasters
 
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...iMasters
 
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana Chahoud
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana ChahoudDesenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana Chahoud
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana ChahoudiMasters
 
Use MDD e faça as máquinas trabalharem para você - Andreza Leite
 Use MDD e faça as máquinas trabalharem para você - Andreza Leite Use MDD e faça as máquinas trabalharem para você - Andreza Leite
Use MDD e faça as máquinas trabalharem para você - Andreza LeiteiMasters
 
Entendendo os porquês do seu servidor - Talita Bernardes
Entendendo os porquês do seu servidor - Talita BernardesEntendendo os porquês do seu servidor - Talita Bernardes
Entendendo os porquês do seu servidor - Talita BernardesiMasters
 
Backend performático além do "coloca mais máquina lá" - Diana Arnos
Backend performático além do "coloca mais máquina lá" - Diana ArnosBackend performático além do "coloca mais máquina lá" - Diana Arnos
Backend performático além do "coloca mais máquina lá" - Diana ArnosiMasters
 
Dicas para uma maior performance em APIs REST - Renato Groffe
Dicas para uma maior performance em APIs REST - Renato GroffeDicas para uma maior performance em APIs REST - Renato Groffe
Dicas para uma maior performance em APIs REST - Renato GroffeiMasters
 
7 dicas de desempenho que equivalem por 21 - Danielle Monteiro
7 dicas de desempenho que equivalem por 21 - Danielle Monteiro7 dicas de desempenho que equivalem por 21 - Danielle Monteiro
7 dicas de desempenho que equivalem por 21 - Danielle MonteiroiMasters
 
Quem se importa com acessibilidade Web? - Mauricio Maujor
Quem se importa com acessibilidade Web? - Mauricio MaujorQuem se importa com acessibilidade Web? - Mauricio Maujor
Quem se importa com acessibilidade Web? - Mauricio MaujoriMasters
 
Service Mesh com Istio e Kubernetes - Wellington Figueira da Silva
Service Mesh com Istio e Kubernetes - Wellington Figueira da SilvaService Mesh com Istio e Kubernetes - Wellington Figueira da Silva
Service Mesh com Istio e Kubernetes - Wellington Figueira da SilvaiMasters
 
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto Pascutti
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto PascuttiErros: Como eles vivem, se alimentam e se reproduzem? - Augusto Pascutti
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto PascuttiiMasters
 
Elasticidade e engenharia de banco de dados para alta performance - Rubens G...
Elasticidade e engenharia de banco de dados para alta performance  - Rubens G...Elasticidade e engenharia de banco de dados para alta performance  - Rubens G...
Elasticidade e engenharia de banco de dados para alta performance - Rubens G...iMasters
 
Construindo aplicações mais confiantes - Carolina Karklis
Construindo aplicações mais confiantes - Carolina KarklisConstruindo aplicações mais confiantes - Carolina Karklis
Construindo aplicações mais confiantes - Carolina KarklisiMasters
 
Monitoramento de Aplicações - Felipe Regalgo
Monitoramento de Aplicações - Felipe RegalgoMonitoramento de Aplicações - Felipe Regalgo
Monitoramento de Aplicações - Felipe RegalgoiMasters
 
Clean Architecture - Elton Minetto
Clean Architecture - Elton MinettoClean Architecture - Elton Minetto
Clean Architecture - Elton MinettoiMasters
 

Mais de iMasters (20)

Postgres: wanted, beloved or dreaded? - Fabio Telles
Postgres: wanted, beloved or dreaded? - Fabio TellesPostgres: wanted, beloved or dreaded? - Fabio Telles
Postgres: wanted, beloved or dreaded? - Fabio Telles
 
Por que minha query esta lenta? - Suellen Moraes
Por que minha query esta lenta? - Suellen MoraesPor que minha query esta lenta? - Suellen Moraes
Por que minha query esta lenta? - Suellen Moraes
 
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...
Relato das trincheiras: o dia a dia de uma consultoria de banco de dados - Ig...
 
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalves
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalvesORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalves
ORMs heróis ou vilões dentro da arquitetura de dados? - Otávio gonçalves
 
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...
SQL e NoSQL trabalhando juntos: uma comparação para obter o melhor de ambos -...
 
Arquitetando seus dados na prática para a LGPD - Alessandra Martins
Arquitetando seus dados na prática para a LGPD - Alessandra MartinsArquitetando seus dados na prática para a LGPD - Alessandra Martins
Arquitetando seus dados na prática para a LGPD - Alessandra Martins
 
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...
O papel do DBA no mundo de ciência de dados e machine learning - Mauro Pichil...
 
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana Chahoud
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana ChahoudDesenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana Chahoud
Desenvolvimento Mobile Híbrido, Nativo ou Web: Quando usá-los - Juliana Chahoud
 
Use MDD e faça as máquinas trabalharem para você - Andreza Leite
 Use MDD e faça as máquinas trabalharem para você - Andreza Leite Use MDD e faça as máquinas trabalharem para você - Andreza Leite
Use MDD e faça as máquinas trabalharem para você - Andreza Leite
 
Entendendo os porquês do seu servidor - Talita Bernardes
Entendendo os porquês do seu servidor - Talita BernardesEntendendo os porquês do seu servidor - Talita Bernardes
Entendendo os porquês do seu servidor - Talita Bernardes
 
Backend performático além do "coloca mais máquina lá" - Diana Arnos
Backend performático além do "coloca mais máquina lá" - Diana ArnosBackend performático além do "coloca mais máquina lá" - Diana Arnos
Backend performático além do "coloca mais máquina lá" - Diana Arnos
 
Dicas para uma maior performance em APIs REST - Renato Groffe
Dicas para uma maior performance em APIs REST - Renato GroffeDicas para uma maior performance em APIs REST - Renato Groffe
Dicas para uma maior performance em APIs REST - Renato Groffe
 
7 dicas de desempenho que equivalem por 21 - Danielle Monteiro
7 dicas de desempenho que equivalem por 21 - Danielle Monteiro7 dicas de desempenho que equivalem por 21 - Danielle Monteiro
7 dicas de desempenho que equivalem por 21 - Danielle Monteiro
 
Quem se importa com acessibilidade Web? - Mauricio Maujor
Quem se importa com acessibilidade Web? - Mauricio MaujorQuem se importa com acessibilidade Web? - Mauricio Maujor
Quem se importa com acessibilidade Web? - Mauricio Maujor
 
Service Mesh com Istio e Kubernetes - Wellington Figueira da Silva
Service Mesh com Istio e Kubernetes - Wellington Figueira da SilvaService Mesh com Istio e Kubernetes - Wellington Figueira da Silva
Service Mesh com Istio e Kubernetes - Wellington Figueira da Silva
 
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto Pascutti
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto PascuttiErros: Como eles vivem, se alimentam e se reproduzem? - Augusto Pascutti
Erros: Como eles vivem, se alimentam e se reproduzem? - Augusto Pascutti
 
Elasticidade e engenharia de banco de dados para alta performance - Rubens G...
Elasticidade e engenharia de banco de dados para alta performance  - Rubens G...Elasticidade e engenharia de banco de dados para alta performance  - Rubens G...
Elasticidade e engenharia de banco de dados para alta performance - Rubens G...
 
Construindo aplicações mais confiantes - Carolina Karklis
Construindo aplicações mais confiantes - Carolina KarklisConstruindo aplicações mais confiantes - Carolina Karklis
Construindo aplicações mais confiantes - Carolina Karklis
 
Monitoramento de Aplicações - Felipe Regalgo
Monitoramento de Aplicações - Felipe RegalgoMonitoramento de Aplicações - Felipe Regalgo
Monitoramento de Aplicações - Felipe Regalgo
 
Clean Architecture - Elton Minetto
Clean Architecture - Elton MinettoClean Architecture - Elton Minetto
Clean Architecture - Elton Minetto
 

Último

MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx
MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docxMAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx
MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx2m Assessoria
 
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docxATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx2m Assessoria
 
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdf
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdfGadgets Inteligentes: Transformando o Modo como Vivemos .pdf
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdfRicardoLealPintoDaSi
 
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docx
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docxMAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docx
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docxjosecarlos413721
 
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docxATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx2m Assessoria
 
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docxMAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx2m Assessoria
 
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxMAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxjosecarlos413721
 
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docxATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx2m Assessoria
 
Uniagil - LACP - Lean Agile Coach Professional 2024.pdf
Uniagil - LACP - Lean Agile Coach Professional 2024.pdfUniagil - LACP - Lean Agile Coach Professional 2024.pdf
Uniagil - LACP - Lean Agile Coach Professional 2024.pdfPatriciaAraujo658854
 
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docxMAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx2m Assessoria
 
Aula 01 - Desenvolvimento web - A internet.pptx
Aula 01 - Desenvolvimento web - A internet.pptxAula 01 - Desenvolvimento web - A internet.pptx
Aula 01 - Desenvolvimento web - A internet.pptxHugoHoch2
 
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024Ismael Ash
 
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docx
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docxMAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docx
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docxjosecarlos413721
 
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docxMAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx2m Assessoria
 
Apresentação bichinhos da TI: o que é esse arquiteto de software
Apresentação bichinhos da TI: o que é esse arquiteto de softwareApresentação bichinhos da TI: o que é esse arquiteto de software
Apresentação bichinhos da TI: o que é esse arquiteto de softwareAleatório .
 
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docxATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx2m Assessoria
 
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxjosecarlos413721
 
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docxATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx2m Assessoria
 
MAPA - DESENHO TÉCNICO - 51-2024.docx
MAPA   -   DESENHO TÉCNICO - 51-2024.docxMAPA   -   DESENHO TÉCNICO - 51-2024.docx
MAPA - DESENHO TÉCNICO - 51-2024.docx2m Assessoria
 
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docxATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx2m Assessoria
 

Último (20)

MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx
MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docxMAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx
MAPA - ESTATÍSTICA E PROBABILIDADE - 512024.docx
 
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docxATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - PERÍCIA, ARBITRAGEM E ATUÁRIA - 512024.docx
 
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdf
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdfGadgets Inteligentes: Transformando o Modo como Vivemos .pdf
Gadgets Inteligentes: Transformando o Modo como Vivemos .pdf
 
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docx
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docxMAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docx
MAPA - INTRODUÇÃO À ENGENHARIA - 51-2024.docx
 
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docxATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx
ATIVIDADE 1 - CCONT - ESTRUTURAS DAS DEMONSTRAÇÕES CONTÁBEIS - 512024.docx
 
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docxMAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
 
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxMAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
MAPA - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
 
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docxATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx
ATIVIDADE 1 - CCONT - ADMINISTRAÇÃO FINANCEIRA E ORÇAMENTÁRIA - 512024.docx
 
Uniagil - LACP - Lean Agile Coach Professional 2024.pdf
Uniagil - LACP - Lean Agile Coach Professional 2024.pdfUniagil - LACP - Lean Agile Coach Professional 2024.pdf
Uniagil - LACP - Lean Agile Coach Professional 2024.pdf
 
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docxMAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
MAPA - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
 
Aula 01 - Desenvolvimento web - A internet.pptx
Aula 01 - Desenvolvimento web - A internet.pptxAula 01 - Desenvolvimento web - A internet.pptx
Aula 01 - Desenvolvimento web - A internet.pptx
 
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024
Serviços para fazer deploy do seu Frontend - react ceara 8 meetup 2024
 
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docx
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docxMAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docx
MAPA - RH - TEORIAS DA ADMINISTRAÇÃO - 51-2024.docx
 
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docxMAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx
MAPA - CÁLCULO DIFERENCIAL E INTEGRAL II - 512024.docx
 
Apresentação bichinhos da TI: o que é esse arquiteto de software
Apresentação bichinhos da TI: o que é esse arquiteto de softwareApresentação bichinhos da TI: o que é esse arquiteto de software
Apresentação bichinhos da TI: o que é esse arquiteto de software
 
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docxATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx
ATIVIDADE 1- TEORIAS DA ADMINISTRAÇÃO - 512024.docx
 
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docxATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
 
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docxATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES  - 512024.docx
ATIVIDADE 1 - ADSIS - FUNDAMENTOS E ARQUITETURA DE COMPUTADORES - 512024.docx
 
MAPA - DESENHO TÉCNICO - 51-2024.docx
MAPA   -   DESENHO TÉCNICO - 51-2024.docxMAPA   -   DESENHO TÉCNICO - 51-2024.docx
MAPA - DESENHO TÉCNICO - 51-2024.docx
 
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docxATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
ATIVIDADE 1 - GCOM - TÉCNICAS DE NEGOCIAÇÃO E VENDAS - 512024.docx
 

O que você precisa saber para modelar bancos de dados NoSQL - Dani Monteiro

Notas do Editor

  1. A modelagem de dados é um processo de abstração. Você começa com suas necessidades de negócios (ou seja, o que você deseja que seu aplicativo faça). Então, no processo de modelagem, você mapeia essas necessidades em uma estrutura para armazenar e organizar seus dados A modelagem de dados é um processo que envolve a identificação de entidades (itens a serem armazenados) e as relações entre entidades. Para criar seu modelo de dados, identifique os padrões usados para acessar os dados e os tipos de consultas a serem realizadas. O primeiro passo é sempre entender o seu dado Desenhe rabisque, veja as relações, use um diagrama UML ou E-R para ver as desnormalizações, disponibilize os diagramas para a sua equipe, documente… Os dados devem manter-se consistentes Avalie as operações e as queries Entenda o cenário de negócio Considere o aumento da complexidade da infra estrutura (há casos onde a infra é um fator importante para o seu modelo)
  2. A modelagem de dados é um processo de abstração. Você começa com suas necessidades de negócios (ou seja, o que você deseja que seu aplicativo faça). Então, no processo de modelagem, você mapeia essas necessidades em uma estrutura para armazenar e organizar seus dados A modelagem de dados é um processo que envolve a identificação de entidades (itens a serem armazenados) e as relações entre entidades. Para criar seu modelo de dados, identifique os padrões usados para acessar os dados e os tipos de consultas a serem realizadas. O primeiro passo é sempre entender o seu dado Desenhe rabisque, veja as relações, use um diagrama UML ou E-R para ver as desnormalizações, disponibilize os diagramas para a sua equipe, documente… Os dados devem manter-se consistentes Avalie as operações e as queries Entenda o cenário de negócio Considere o aumento da complexidade da infra estrutura (há casos onde a infra é um fator importante para o seu modelo)
  3. Os valores não sao pesquisados quando optamos por usar o redis, por isso a grande decisão de modelagem envolve escolher quais são as chaves adequadas para as nossas pesquisas Depois de decidir quais são as chaves, é preciso escolher o retorno mais adequado para as consultas
  4. modelagem de dados é uma das áreas mais complexas de uso da Cassandra e tem muitas considerações. Para um negócio, é essencial investir recursos na modelagem de dados desde os primeiros estágios dos projetos de Cassandra; Ao contrário das configurações operacionais que podem ser ajustadas, um modelo de dados Cassandra é muito caro para consertar. Sem entender a arquitetura subjacente, você arrisca fazer com que um dos erros comuns de Cassandra seja abordado em uma publicação separada. Avaliar um modelo de dados aparentemente válido e direto para possíveis armadilhas exige um nível de especialização em aplicações internas de Cassandra, o formato de armazenamento em particular. Ao projetar um modelo de dados Cassandra para um aplicativo, primeiro considere as entidades comerciais que você está armazenando e as relações entre eles. Seu objetivo final será armazenar respostas pré computadas a questões de negócios que a aplicação pergunte sobre os dados armazenados, uma compreensão de sua estrutura e significado é uma condição prévia para modelar essas respostas. 
  5. 1. Cassandra Performance Cassandra suporta um rendimento muito alto. Em particular, o de gravação de Cassandra permite gravações robustas e de alto desempenho. 2. Elasticidade Cassandra é horizontalmente escalável. O desempenho e a capacidade de leitura / gravação são lineares conforme o novo hardware é adicionado. Adicionar novo hardware não requer tempo de inatividade ou interrupção para os consumidores. 3. Tolerância a falhas A Cassandra não possui um único ponto de falha. Cada nó no cluster é idêntico e pode ser executado em hardware de mercadorias. Não existe um servidor mestre. 4. Os Dados de Resiliência são replicados automaticamente para múltiplos nós - que podem ser cross-rack (ou zona de disponibilidade de nuvem) e cross-datacenter. Isso pode ser usado para garantir alta disponibilidade em regiões geográficas. 5. Flexibilidade Cassandra usa colunas para armazenar dados dentro de linhas, pois as linhas podem ser de comprimento diferente, ou seja, têm diferentes números de colunas por linha, isso leva a linhas tão amplas como os dados nelas e os usuários têm a capacidade de alterar o esquema em tempo de execução . Com consistência ajustável em uma operação de gravação por leitura , a replicação e as garantias de consistência de gravação de leitura podem ser ajustadas para velocidade ou confiabilidade para cada consulta. 6. Familiarizado SQL-como linguagem de consulta CQL a Cassandra Query Language é sintaticamente semelhante ao SQL, simplificando o de integração dos desenvolvedores de SQL. O Apache Cassandra ™, um projeto Apache de nível superior,  nascido no Facebook  e construído no  Dynamo da Amazon e no BigTable do Google , é um banco de dados distribuído para gerenciar grandes quantidades de dados estruturados em vários servidores de commodities, ao mesmo tempo em que oferece um serviço altamente disponível e nenhum ponto de falha. O Apache Cassandra ™ oferece recursos que os bancos de dados relacionais e outros bancos de dados NoSQL simplesmente não podem corresponder, tais como: disponibilidade contínua, desempenho de escala linear, simplicidade operacional e fácil distribuição de dados em vários centros de dados e zonas de disponibilidade de nuvem. A arquitetura do Apache Cassandra ™ é responsável por sua capacidade de dimensionar, executar e oferecer tempo de atividade contínuo. Ao invés de usar um mestre-escravo legado ou uma arquitetura cortada manual e difícil de manter, o Apache Cassandra ™ possui um design de "anel" sem mestre que é elegante, fácil de configurar e fácil de manter. No Apache Cassandra ™, todos os nós desempenham um papel idêntico; não existe um conceito de nó mestre, com todos os nós comunicados uns com os outros igualmente. A arquitetura construída para escala da Apache Cassandra ™ significa que é capaz de lidar com grandes quantidades de dados e milhares de usuários simultâneos ou operações por segundo, mesmo em vários centros de dados, tão facilmente quanto pode gerenciar quantidades muito menores de dados e tráfego do usuário. A arquitetura do Apache Cassandra ™ também significa que, ao contrário de outros sistemas mestre-escravos ou trançados, não possui um único ponto de falha e, portanto, é capaz de oferecer uma verdadeira disponibilidade contínua e tempo de atividade - simplesmente adicione novos nós a um cluster existente sem ter que levar para baixo. Muitas empresas implementaram e se beneficiaram com o Apache Cassandra ™, incluindo algumas grandes empresas, como:  Apple ,  Comcast ,  eBay ,  Instagram ,  Spotify , Uber ,  Netflix e muito mais. Os ambientes de produção maiores possuem PB's de dados em clusters de mais de 75.000 nós. O Apache Cassandra ™ está disponível sob a licença Apache 2.0. A modelagem de dados em Cassandra usa uma abordagem orientada por consulta, na qual consultas específicas são a chave para organizar os dados.  O projeto de banco de dados da Cassandra baseia-se no requisito de leituras e gravações rápidas, por isso, quanto melhor for o design do esquema, os dados mais rápidos são escritos e recuperados.
  6. Modelo de dados O modelo de dados de Cassandra é diferente do de um SGBD relacional. Cassandra não suporta associações ou subconsultas para as quais há suporte em um RDBMS. Em vez disso, Cassandra enfatiza a desnormalização através de recursos como coleções.  Cassandra é basicamente um banco de dados de valor-chave e uma coluna (ou tabular). As fileiras são organizadas em tabelas; O primeiro componente da chave primária de uma tabela é a chave de partição, e dentro de uma partição, as linhas são agrupadas pelas restantes colunas da chave. Outras colunas podem ser indexadas separadamente da chave primária.  O modelo de dados Cassandra consiste em espaço de chaves, famílias de colunas, colunas e linhas.  Keyspace:O espaço de chaves é o recipiente mais externo para os dados do seu aplicativo. É semelhante ao esquema em um banco de dados relacional. O espaço de teclas pode incluir elementos operacionais, como o fator de replicação e a conscientização do centro de dados. É um grupo de muitas famílias de colunas.  Família de colunas: uma família de colunas é um recipiente para uma coleção ordenada de linhas, cada uma das quais é uma coleção de colunas ordenada. Uma família de colunas é semelhante a uma tabela no RDBMS e é uma separação lógica de dados semelhantes.  Coluna: é uma estrutura básica de dados de Cassandra com três valores - nome, valor e timestamp.  Super coluna: uma super coluna armazena um mapa de sub-colunas.  Row: Esta é uma coleção de colunas rotuladas com um nome.
  7. 1. Visão Geral Cassandra é um banco de dados NoSQL que oferece alta disponibilidade e escalabilidade horizontal sem comprometer o desempenho. Para obter o melhor desempenho de Cassandra, precisamos desenhar cuidadosamente o esquema em torno de padrões de consulta específicos para o problema comercial em mãos. Neste artigo, analisaremos alguns dos conceitos-chave sobre como abordar o modelamento de dados em Cassandra . Antes de prosseguir, você pode passar pelo nosso  artigo Cassandra com Javapara entender os conceitos básicos e como se conectar a Cassandra usando o Java. 2. Tecla de partição Cassandra é um banco de dados distribuído em que os dados são particionados e armazenados em vários nós dentro de um cluster. A chave de partição é composta por um ou mais campos de dados e é usada pelo particionador para gerar um token via hash para distribuir os dados uniformemente em um cluster . 3. Clustering Key Uma chave de agrupamento é composta por um ou mais campos e ajuda a agrupar ou agrupar linhas com a mesma chave de partição e armazená-las em ordem ordenada. Digamos que estamos armazenando dados da série temporal em Cassandra e queremos recuperar os dados em ordem cronológica. Uma chave de cluster que inclua campos de dados da série temporal será muito útil para uma recuperação eficiente de dados para este caso de uso. Nota: A combinação de chave de partição e chave de cluster compõe a chave primária e identifica de forma exclusiva qualquer registro no cluster Cassandra. 4. Diretrizes em torno de padrões de consulta Antes de começar com a modelagem de dados em Cassandra, devemos identificar os padrões de consulta e garantir que eles aderem às seguintes diretrizes: . Cada consulta deve buscar dados de uma única partição . Devemos acompanhar a quantidade de dados que está sendo armazenado em uma partição, já que Cassandra tem limites em torno do número de colunas que podem ser armazenadas em uma única partição . É bom desnormalizar e duplicar os dados para suportar diferentes tipos de padrões de consulta ao longo dos mesmos dados Com base nas diretrizes acima, vejamos alguns casos de uso do mundo real e como modelaremos os modelos de dados da Cassandra para eles.
  8. counter - integer - Coluna do contador (valor assinado de 64 bits). Veja Contadores para detalhes inet - string - Um endereço IP, IPv4 (4 bytes de comprimento) ou IPv6 (16 bytes de comprimento). Observe que não háinetconstante, o endereço IP deve ser inserido como cordas uuid - uuid - A UUID (de qualquer versão) UUID = Um identificador universalmente exclusivo ( UUID ) é um número de 128 bits usado para identificar informações em sistemas de computador. O termo identificador exclusivo global ( GUID ) também é usa
  9. Usando o CQL, você pode criar um índice em uma coluna depois de definir uma tabela. Você também pode indexar uma coluna de coleção . Os índices secundários são usados para consultar uma tabela usando uma coluna que normalmente não é questionável. Os índices secundários são difíceis de usar e podem afetar o desempenho de forma muito significativa. A tabela de índice é armazenada em cada nó em um cluster, de modo que uma consulta envolvendo um índice secundário pode tornar-se rapidamente um pesadelo de desempenho se forem acessados múltiplos nós. Uma regra geral é indexar uma coluna com baixa cardinalidade de poucos valores. Antes de criar um índice, esteja ciente de quando e quando não criar um índice . Quando usar um índice Os índices internos do Apache Cassandra ™ são melhores em uma tabela com muitas linhas que contêm o valor indexado. Os valores mais exclusivos que existem em uma coluna específica, quanto mais gastos gerais você terá, em média, para consultar e manter o índice. Por exemplo, suponha que você tivesse uma lista de listas de reprodução com um bilhão de músicas e queria procurar músicas pelo artista. Muitas músicas vão compartilhar o mesmo valor de coluna para o artista. A coluna do artista é um bom candidato para um índice. Quando não usar um índice Não use um índice nessas situações: • Em colunas de cardinalidade alta porque você consulta um enorme volume de registros por um pequeno número de resultados. Consulte Problemas usando um índice de coluna de alta cardinalidade abaixo. • Em tabelas que usam uma coluna contadora • Em uma coluna freqüentemente atualizada ou excluída. Consulte Problemas usando um índice em uma coluna freqüentemente atualizada ou excluída abaixo. • Para procurar uma linha em uma partição grande, a menos que seja consultada. Consulte Problemas usando um índice para procurar uma linha em uma partição grande, a menos que seja consultado de forma restrita abaixo.
  10. O primeiro elemento da nossa PRIMARY KEY é o que chamamos de chave de partição. A chave de partição tem um uso especial no Apache Cassandra além de mostrar a singularidade da gravação no banco de dados. O outro propósito, e aquele que é muito crítico em sistemas distribuídos, é determinar a localidade de dados. Quando os dados são inseridos no cluster, o primeiro passo é aplicar uma função hash à chave de partição. O resultado é usado para determinar o nó (e as réplicas) que receberão os dados. O algoritmo usado por Apache Cassandra utiliza Murmur3, que terá uma entrada arbitrária e criará um valor token consistente. Esse valor token estará dentro do alcance de tokens de um único nó. Em termos mais simples, uma chave de partição sempre pertencerá a um nó e os dados dessa partição sempre serão encontrados nesse nó. Por que isso é importante? Se não houvesse uma localização absoluta dos dados de uma partição, seria necessário pesquisar todos os nós no cluster para seus dados. Em um pequeno cluster, isso pode completar rapidamente, mas em um cluster muito maior, seria dolorosamente lento. Queremos o que é mostrado abaixo.
  11. Nesta tabela, estamos satisfazendo a consulta "mostre-me todos os vídeos associados a um usuário específico". Como você pode ver, a PRIMARY KEY agora tem mais do que a chave de partição, agora adicionamos mais elementos. Todas as colunas listadas após a chave de partição são chamadas de colunas de agrupamento. Aqui é onde nós tomamos uma grande ruptura com bancos de dados relacionais. Onde a chave de partição é importante para localidade de dados, a coluna de agrupamento especifica a ordem em que os dados são organizados dentro da partição. A maneira como lemos isso é da esquerda para a direita: O item um é a chave de partição O item dois é uma coluna de agrupamento. Adicionado_date é um timestamp para que a ordem de classificação seja cronológica, ascendente. O item três é uma coluna de agrupamento. Como o videoid é um UUID, nós estámos incluindo, simplesmente, a maioria dos quais é parte de um registro exclusivo. Após uma inserção de dados, você deve esperar que o SELECIONE os dados em ordem ascendente do add_date para uma única partição em ordem crescente.
  12. A modelagem de dados em Cassandra usa uma abordagem orientada por consulta, na qual consultas específicas são a chave para organizar os dados. As consultas são o resultado da seleção de dados de uma tabela; esquema é a definição de como os dados na tabela são organizados. O projeto de banco de dados da Cassandra baseia-se no requisito de leituras e gravações rápidas, por isso, quanto melhor for o design do esquema, os dados mais rápidos são escritos e recuperados. O modelo de dados de Cassandra é um armazenamento de filas particionado com consistência ajustável. A consistência ajustável significa para qualquer operação de leitura ou gravação dada, o aplicativo cliente decide a consistência dos dados solicitados. As fileiras são organizadas em tabelas; Como Cassandra é um banco de dados distribuído, a eficiência é obtida para lê e grava quando os dados são agrupados em nós por partição. Menos partições que devem ser consultadas para obter uma resposta a uma pergunta, mais rápida é a resposta. Ajustar o nível de consistência é outro fator em latência, Você criou um modelo conceitual das entidades e seus relacionamentos. Do modelo conceitual, você usou as consultas esperadas para criar um esquema de tabela. A última etapa no modelo de dados envolve a conclusão de uma análise do design lógico para descobrir modificações que podem ser necessárias. Essas modificações podem surgir da compreensão das limitações do tamanho da partição, do custo da consistência dos dados e dos custos de desempenho devido a uma série de opções de design ainda a serem feitas. A redundância de dados também deve ser considerada. Duas redundâncias que são uma conseqüência do design distribuído de Cassandra são dados duplicados em tabelas e repetições de partições múltiplas. Os dados geralmente são duplicados em várias tabelas, resultando em latência de desempenho durante as gravações e requer mais espaço em disco. Você deve repensar o esquema da tabela para um melhor design, mantendo a consulta em primeiro lugar. Não tem join no cassandra Objetivos básicos da modelagem com o Cassandra: 1. Distribua dados uniformemente em torno do cluster 2. Minimize o número de partições lidas O segredo é alcançar o equilíbrio entre os 2 objetivos
  13. Vivemos em um mundo conectado! Não há informações isoladas, mas ricos, domínios conectados ao nosso redor. Apenas um banco de dados que abraça nativamente relacionamentos é capaz de armazenar, processar e consultar conexões de forma eficiente. Enquanto outros bancos de dados calculam os relacionamentos no horário de consulta através de operações JOIN caras, um banco de dados gráfico armazena conexões como cidadãos de primeira classe. Independente do tamanho total do seu conjunto de dados, os bancos de dados do gráfico são excelentes no gerenciamento de dados altamente conectados e consultas complexas. Armados apenas com um padrão e um conjunto de pontos de partida, os bancos de dados de gráficos exploram o bairro maior em torno dos pontos de partida iniciais - coletando e agregando informações de milhões de nós e relacionamentos - deixando intocados os bilhões fora do perímetro de pesquisa. O Neo4j é um banco de dados nativo do NoSQL de código aberto que fornece um backend transacional compatível com ACID para seus aplicativos. Com o desenvolvimento a partir de 2003, está disponível publicamente desde 2007. O código-fonte, escrito em Java e Scala, está disponível no GitHub , com uma comunidade próspera no Neo4j Slack e StackOverflow . Neo4j é referido como um banco de dados de gráfico nativo porque implementa o Property Graph Model eficientemente até o nível de armazenamento. Em oposição ao processamento de gráficos ou bibliotecas na memória, o Neo4j fornece características completas de banco de dados, incluindo conformidade de transações ACID, suporte de cluster e failover de tempo de execução, tornando-o adequado para usar dados de gráficos em cenários de produção . Cypher , uma linguagem de consulta declarativa semelhante ao SQL, mas otimizada para gráficos. Agora usado por outros bancos de dados, como o gráfico SAP HANA Graph e Redis, através do projeto openCypher . ◦ Percursos de tempo constante em grandes gráficos tanto em profundidade quanto em amplitude devido à representação eficiente de nós e relacionamentos. Permite escalar até bilhões de nós em hardware moderado. ◦ Esquema de gráfico de propriedade flexível que pode se adaptar ao longo do tempo, permitindo materializar e usar novos relacionamentos mais tarde para "atalho" e acelerar os dados de domínio quando a empresa precisa mudar. ◦ Drivers para linguagens de programação populares, incluindo Java, JavaScript, .NET e Python. Livre e de código aberto do Neo4j Comunidade edição é um alto desempenho, totalmente banco de dados ACID-transacional. A edição da Comunidade inclui (mas não está limitado a) toda a funcionalidade descrita anteriormente nesta seção. As edições corporativas do Neo4j oferecem todas as funcionalidades da edição da Comunidade, além de agrupamentos escaláveis, fail-over, alta disponibilidade, backups em tempo real e monitoramento abrangente  O conceito bem conhecido e testado de transações agrupa um conjunto de atualizações de nós e relacionamentos em uma operação atômica, consistente, isolada e durável (ACID). Os bancos de dados gráficos como o Neo4j suportam totalmente os conceitos transacionais, incluindo logs de gravação contínua e recuperação após término anormal. Então você nunca perde seus dados que tenham sido cumpridos com o banco de dados.
  14. Os nós são as entidades no gráfico. Eles podem conter qualquer número de atributos (chave-valor-pares) chamados de propriedades . Os nós podem ser marcados com rótulos que representam suas diferentes funções em seu domínio. Além de contextualizar as propriedades do nó e do relacionamento, os rótulos também podem servir para anexar informações de índice de metadados ou restrições a certos nós. Os relacionamentos fornecem conexões direcionadas, nomeadas, semanticamente relevantes entre duas entidades de nó (por exemplo, Employee WORKS_FOR Company). Um relacionamento sempre tem uma direção, um tipo, um nó de início e um nó final . Como nós, os relacionamentos também podem ter propriedades. Na maioria dos casos, os relacionamentos possuem propriedades quantitativas, como pesos, custos, distâncias, classificações, intervalos de tempo ou pontos fortes. Como os relacionamentos são armazenados de forma eficiente, dois nós podem compartilhar qualquer número ou tipo de relacionamentos sem sacrificar o desempenho. Observe que, embora sejam direcionados, os relacionamentos sempre podem ser navegados de forma eficiente em qualquer direção. Existe uma regra consistente no núcleo em um banco de dados gráfico: "Sem links quebrados". Uma vez que um relacionamento sempre tem um nó de início e fim, você não pode excluir um nó sem também excluir seus relacionamentos associados. Você também pode sempre assumir que um relacionamento existente nunca irá apontar para um ponto final não existente. Cada nó (entidade ou atributo) no modelo de banco de dados de gráficos contém, de forma direta e física, uma lista de registros de relacionamento que representam suas relações com outros nós. Esses registros de relacionamento são organizados por tipo e direção e podem conter atributos adicionais. Sempre que você executa o equivalente a uma operação JOIN , o banco de dados apenas usa essa lista e tem acesso direto aos nós conectados, eliminando a necessidade de uma computação de pesquisa / correspondência cara. Você mais ou menos mantém os dados como está no mundo real: entidades pequenas, normalizadas, mas ricamente conectadas. Isso permite que você consulte e visualize seus dados de qualquer ponto de interesse imaginável, suportando muitos casos de uso diferentes.
  15. Um índice de banco de dados é uma cópia redundante de informações no banco de dados com o objetivo de tornar a recuperação desses dados mais eficiente. Isso ocorre à custa do espaço de armazenamento adicional e das escritas mais lentas, de modo a decidir o que indexar e o que não indexar é uma tarefa importante e muitas vezes não trivial. O Cypher habilita a criação de índices em uma ou mais propriedades para todos os nós que possuem um determinado rótulo: • Um índice que é criado em uma única propriedade para qualquer rótulo específico é chamado de índice de propriedade única . • Um índice que é criado em mais de uma propriedade para qualquer rótulo específico é chamado de índice composto. As diferenças nos padrões de uso entre os índices composto e de propriedade única são detalhadas nos exemplos abaixo. 3.2.1.2. Tipos estruturais ✓ Pode ser retornado das consultas Cypher ❏ Não pode ser utilizado como parâmetros ❏ Não pode ser armazenado como propriedades ❏ Não pode ser construído com literais Cypher Os tipos estruturais compreendem: • Nodos, compreendendo: ◦ Identidade ◦ Etiqueta (s) ◦ Mapa (de propriedades) • • Relacionamentos, compreendendo: ◦ Identidade ◦ Tipo ◦ Mapa (de propriedades) ◦ Identificação dos nós de início e fim • • Caminhos ◦ Uma seqüência alternada de nós e relacionamentos • 3.2.1.3. Tipos compostos ✓ Pode ser retornado das consultas Cypher ✓ Pode ser usado como parâmetros ❏ Não pode ser armazenado como propriedades ✓ Pode ser construído com literais Cypher Os tipos compostos compreendem: • As listas são heterogêneas, ordenaram coleções de valores, cada uma das quais possui qualquer tipo de propriedade, estrutural ou composta. • Os mapas são heterogêneos, coleções não ordenadas de pares (chave, valor), onde: ◦ a chave é uma String ◦ o valor possui qualquer tipo de propriedade, estrutural ou composto •
  16. Nos bancos de dados de gráficos, os índices são usados apenas para encontrar o ponto de partida para consultas, Um índice de banco de dados é uma cópia redundante de informações no banco de dados com o objetivo de tornar a recuperação desses dados mais eficiente. Isso ocorre à custa do espaço de armazenamento adicional e das escritas mais lentas, de modo a decidir o que indexar e o que não indexar é uma tarefa importante e muitas vezes não trivial. O Cypher habilita a criação de índices em uma ou mais propriedades para todos os nós que possuem um determinado rótulo: • Um índice que é criado em uma única propriedade para qualquer rótulo específico é chamado de índice de propriedade única . • Um índice que é criado em mais de uma propriedade para qualquer rótulo específico é chamado de índice composto. As diferenças nos padrões de uso entre os índices composto e de propriedade única são detalhadas nos exemplos abaixo.
  17. A primeira entidade que identificaremos em nosso domínio são os nós. As unidades fundamentais que formam um gráfico são nós e relacionamentos. Etiquetas Agora que temos uma idéia do que nossos nós serão, nós decidiremos quais rótulos (se houver) para atribuir nossos nós. Um rótulo é uma construção de gráfico com nome que é usada para agrupar nós em conjuntos. Todos os nós rotulados com o mesmo rótulo pertencem ao mesmo conjunto. Muitas consultas de banco de dados podem funcionar com esses conjuntos em vez de todo o gráfico, tornando as consultas mais fáceis de escrever e mais eficientes. Um nó pode ser rotulado com qualquer número de rótulos, incluindo nenhum, tornando as etiquetas uma adição opcional ao gráfico. Respondendo a perguntas Passamos pelo processo de criação de um modelo básico de dados gráficos para as interações entre pessoas e livros. Podemos levar este modelo de dados ainda mais, definindo os atributos dessas entidades como propriedades de valor-chave. Liste suas perguntas Primeiro, comece por listar suas perguntas que você deseja responder sobre seus dados. A partir desta lista de perguntas, você pode identificar os atributos que devem pertencer a entidades dentro do seu modelo de dados.
  18. ◦ Cada tabela de entidade é representada por um rótulo em nós ◦ Cada linha em uma tabela de entidade é um nó ◦ As colunas dessas tabelas tornam-se propriedades do nó. ◦ Remova as chaves primárias técnicas, mantenha as chaves primárias de negócios ◦ Adicione restrições únicas para chaves primárias de negócios, adicione índices para atributos de pesquisa freqüentes ◦ Substitua chaves estrangeiras por relações com a outra tabela, remova-as depois ◦ Remova dados com valores padrão, não é necessário armazenar aqueles ◦ Os dados em tabelas que são desmoronados e duplicados podem ter que ser puxados para nós separados para obter um modelo mais limpo. ◦ Nomes de coluna indexados, podem indicar uma propriedade de matriz (como email1, email2, email3) ◦ As tabelas de associação são transformadas em relacionamentos, as colunas dessas tabelas se tornam propriedades de relacionamento É importante ter uma compreensão do modelo de gráfico antes de começar a importar dados, então ele simplesmente se torna a tarefa de hidratar esse modelo.