дата инженеретта
3.45K subscribers
326 photos
28 videos
4 files
136 links
мелкое — крупно,
в глубоком разговоре
мудрость приходит

по вопросам сюда: @aigul_sea
Download Telegram
Lance

Недавно ковырялась в инструменте для обслуживания таблиц Apache Amoro и наткнулась на новый для меня термин - формат данных Lance

Lance - это колоночный формат хранения данных, созданный для AI/ML задач в лейкхаусе

⏰ Он появился еще в 2022 году, а первая стабильная версия вышла в декабре 2025. Примерно с того же времени нашла дискуссии в де сообществе. Разрабатывают ребята, которые создали LanceDB

Главные особенности:
🤩оптимизация под AI и векторный поиск
🤩доступ к данным за О(1)
🤩в одной таблице можно хранить обычные данные + медиа + векторы
🤩ядро написано на Rust
🤩построен поверх Apache Arrow
🤩time travel
🤩acid
🤩update/delete так же поддерживается

Lance позиционирует себя как замена Parquet, но к данным можно достучаться в 100 раз быстрее

Поддерживается много интеграций: DuckDB, Polars, Data Fusion, Spark, Doris, Trino, PyTorch, Flink. Но, например, Lance-Trino интеграция вышла из беты только 31 марта этого года, а Spark появился еще позднее, поэтому многие компоненты еще достаточно свежие

А помимо Lance, еще есть Nimble, Vortex, BtrBlocks, FastLanes😯

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10👍52
Ломаем Iceberg-таблицу🫠

Представьте, у вас есть айсберг таблица из 3 полей, которая управляется HMS. Вы удаляете из середины 2е поле, но вдруг появляется ошибка:

The following columns have types incompatible with the existing columns in their respective positions


Несовместимые типы, но почему? Мы же знаем, что айсберг следит за своими полями по id, и если мы удалили поле с id=2, то поле с id=3 должно таким и остаться. Или нет?

Оказывается, у айсберга и hms разные механизмы эволюции схемы. С айсбергом мы правы, он следит за id самой колонки. Но вот hms проверяет схему на основе индекса🙂

Когда мы удалили столбец из середины, в hms все типы сдвинулись. И если поле2 было int, а поле3 - string, то после удаления hms думает, что мы кастуем string -> int, и падает

Сама оф дока айсберга выделяет этот момент как «Hive Catalog Limitation» и рекомендует отключить свойство:

hive.metastore.disallow.incompatible.col.type.changes=false

Теперь эволюция схемы на совести айсберга, работаем дальше🙌

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
20❤10👍2
Сходила на ТехноДень

Это бесплатная конфа от Selectel, прошла в кластере «Ломоносов». Народу было прям много - полный зал «Молекула» + полный зал «Атом» + люди возле стендов

Я пошла, потому что мне понравился пул докладов. Все доклады были разделены на 4 стрима: AI, Infra, Security и Data. Ну, вы понимаете, где я проторчала😁

Что послушала из докладов:

1️⃣Lakehouse от Столото
Прикольный доклад прямо с циферками затрат. DLH - все по классике. Используют каталог CedrusData и сказали, что в нем есть крутые оптимизации

2️⃣Новая дата платформа от Точка Банка
Как вы помните/знаете, они сидели на Oracle и Pentaho. Я несколько раз смотрела открытые вакансии на DE, и меня сильно смущал такой стек😁 Теперь они рассказали, как переехали на GP от вендора в первый раз в одном облаке, потом во второй раз в другом облаке, потом в третий раз на серверах Selectel😲

3️⃣Аудиоаналитика в облаке от Fix Price
Они записывают аудио на кассах, транскрибируют и потом анализируют CR в покупку пакета и прочие метрики

Я так поняла, что все приглашенные компании - это именно пользователи их продуктов

Selectel тоже пошел в DLH и делает такую же платформу из S3, Trino, HMS, Iceberg, как и все другие🙄 Хотя еще 1-2 года назад не планировал. Пока ощущение, что сыровато и нет необходимых компонентов

Они также рассказали про крутую штуку aish - это агент для администрирования. Поставляется на их собственной SelectOS и умеет решать именно инфровые проблемы, на стендах можно было с ним поиграться

Плюс очень понравилась фраза на главном докладе:

Мы экономим ваши будущие деньги😄


🍜 Во время фуршета познакомилась с каким-то CoFounder из юр компании. Он рассказал, что они на сервисах Selectel используют иишку для генерации и проверки договоров, поиска по судебным кейсам. В общем, занятное применение, а то я не в курсе про жизнь вне айти😅

Если что, трансляции можно глянуть на сайте: https://techday.selectel.ru/

P.S. У вас не сформировалось в последнее время стойкое ощущение, что пора идти в Data Quality и Data Governance? Данные наверняка всегда будут косячные, и в этих областях нужен будет человек, который сможет нормально за все пояснить

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
👍14
Ну, как вы там?

Нашли новые вопросы для собесов на DevOps/SRE:

Есть ли у вас опыт тушения продакшена в буквальном смысле?

Умеете ли вы дебажить инфраструктуру по спутниковым снимкам?

Как вы понимаете термин hot standby, если резервный ЦОД всё ещё горит?

Какой Prometheus alert вы настроите на появление дыма из серверной?

Что вы будете делать, если terraform destroy выполнили без Terraform?

Сколько девяток доступности останется у сервиса после потери двух дата-центров?

Как объяснить менеджменту, что availability zone больше не available?

Какую метрику вы выберете для SLO: uptime, MTTR или количество уцелевших стоек?

Какой срок хранения бэкапов вы рекомендуете, если основная проблема — срок хранения самого хранилища?

Как обеспечить пять девяток, если единственные девятки в проекте — это цифры в стоимости восстановления?

Есть ли у вас в квартире место на размещение серверов компании?

Что вы будете делать при отказе всех зон доступности у облачного провайдера?


@data_engineerette
😁36😭20🔥7
СЕНЬОРСКАЯ ВАКАНСИЯ

Ищется сеньор-пресеньор в команду платформы данных

В двух словах: уметь в кубер, айсберг, разработку, оптимизацию спарка, иметь архитектурную насмотренность

Описание ваки тут

Отправлять резюме можно сюда: @aigul_sea
❤7😭5
Anthropic переехали с Git на собственную систему Scion

На днях вышла статья, где Anthropic рассказал про свою новую систему контроля версий и предпосылки ее создания. Здесь я хочу очень сжато выделить несколько моментов, которые меня удивили

Несколько чиселок:

🤩монорепа
🤩100 ГБ - история ветки main
🤩25 ГБ - сжатая копия репо
🤩30 000 - MR в день
🤩25 млн - checkout-операций в CI в день
🤩600 ПБ - потенциальный трафик на скачивание репо в день

И это еще без учета дев окружений, AI-песочниц и RnD задач. Вы не в шоке??😳

Теперь вместо разработки узким горлышком является CI, сеть и все вокруг этого. Поэтому они внутри компании командой из 7 человек за 5 месяцев:

🤩разработали свой гит Scion
🤩сделали code-review тулзу Antique
🤩написали еще несколько сервисов
🤩полностью мигрировали

Anthropic считает, что подобные проблемы с CI пока вряд ли есть у компаний сейчас, но на горизонте 6-12 месяцев они ожидают появления таких проблем в разработке

А нужны ли люди?

Теперь они изучают замысел изменений, а не вчитываются в каждую строку кода


Факт

Вот еще новая для меня мысль

Пока бегут тесты в CI, сотни и тысячи изменений могут быть уже влиты агентами


Они отказались от тестов в MR и запускают их в разы меньше, только перед деплоем. Потому что, если даже есть конфликты, агенты поправят их быстрее, чем мы с вами увидим алерт😭

Но это же всеобщий хаос? Кто-то живой у них еще понимает, что происходит в проекте?

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
❤19🤷2
DE в Twinby😁

Наткнулась на пост от HR, что сейчас открыто несколько вакансий - в том числе одна на DE

По стеку: CDC, ClickHouse, Airflow

А вы когда-нибудь про них задумывались в контексте дата инженерии? Это же реально много фоточек и сообщений, рекомендательная система, разреженная матрица с лайками и дизлайками

👩‍💻 Когда я училась на курсе по систем дизайну, в финале нужно было спроектировать Tinder и рассчитать нагрузку на хранение/сеть. У меня тогда получилось 4,5 экзабайта в год трафика и купить серверов на 450 млн $ 🙂🙂🙂

Теперь это задание больше не кажется таким странным😅

Ссылка на ваку: https://hh.ru/vacancy/137208437

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
😁106
Audio
Не удержалась и решила наложить бит
😁16🔥8
Кто уже использует Iceberg v3?

Недавно наткнулась на Apache Iceberg Compatibility Matrix. В этой табличке можно посмотреть поддержку фичей в разрезе движков. И нет ни одного, который бы поддерживал все - ну, а как иначе🫠

Фичи протегированы версиями, и можно наглядно посмотреть конкретно v3. В стабильном виде эта спека появилась в мае этого года в релизе 1.11, и там есть:

➡️бинарные delete-векторы
➡️новый тип VARIANT
➡️точность timestamp до наносекунд
➡️поддержка default values
➡️гео типы

А в релизе 1.12 от 30.09 уже пошла подготовка к v4! И там добавили относительные пути!!😝

Теперь вместо s3://bucket/path-to-table/data/file.parquet в манифестах будет записано просто data/file.parquet

Ну вот надо было изначально все усложнять, чтобы потом с блеском решить глобальную проблему?😑

В той же v4 конкретно будет переделываться структура меты на адаптивное дерево с root манифестом. Умный доклад можно посмотреть тут

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥66👍2
Решила присоединиться к флешмобу и представить свою коллабу Сумерки + DE

Получилось вот такая версия с дата инженерскими инструментами и терминами

Дополняйте, если есть что изменить или добавить🙂

@data_engineerette
Please open Telegram to view this post
VIEW IN TELEGRAM
😁24❤7🔥5🤔1