docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,167 @@
|
||||
---
|
||||
id: wiki-2026-0508-big-data
|
||||
title: Big Data
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Big Data, Large-Scale Data Processing]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [data, distributed-systems, analytics, lakehouse]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: spark,duckdb,iceberg,polars
|
||||
---
|
||||
|
||||
# Big Data
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 single-machine 의 fit 의 X · single-pass 의 fit 의 X — 매 distributed compute · columnar storage 의 require"**. 2003 Google MapReduce 논문 의 origin, Hadoop → Spark → Lakehouse (Iceberg+Delta+Hudi) 의 evolve, 2026 의 single-node DuckDB/Polars 의 "Big Data is dead" 의 movement 의 mainstream.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 5 V
|
||||
- **Volume**: TB-PB scale.
|
||||
- **Velocity**: streaming · near-real-time.
|
||||
- **Variety**: structured + semi + unstructured.
|
||||
- **Veracity**: data quality · trust.
|
||||
- **Value**: ROI of analytics.
|
||||
|
||||
### 매 stack 2026
|
||||
- **Storage**: object store (S3/GCS) + open table format (Iceberg · Delta · Hudi).
|
||||
- **Compute**: Spark · Trino · DuckDB · Polars · Snowflake · BigQuery.
|
||||
- **Orchestration**: Airflow · Dagster · Prefect.
|
||||
- **Stream**: Kafka · Flink · Kinesis.
|
||||
- **Catalog**: Unity · Polaris · Nessie · Glue.
|
||||
|
||||
### 매 응용
|
||||
1. 매 BI 의 dashboard.
|
||||
2. ML training pipeline (feature store).
|
||||
3. Operational analytics (real-time fraud, ad bidding).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Iceberg table 의 Spark 에서 의 write
|
||||
```python
|
||||
from pyspark.sql import SparkSession
|
||||
|
||||
spark = SparkSession.builder \
|
||||
.config("spark.sql.catalog.local", "org.apache.iceberg.spark.SparkCatalog") \
|
||||
.config("spark.sql.catalog.local.type", "hadoop") \
|
||||
.config("spark.sql.catalog.local.warehouse", "s3a://lake/warehouse") \
|
||||
.getOrCreate()
|
||||
|
||||
df = spark.read.json("s3a://raw/events/*.json")
|
||||
df.writeTo("local.events.daily").partitionedBy("date").createOrReplace()
|
||||
```
|
||||
|
||||
### DuckDB: 매 single-node "big data" (laptop 의 100GB)
|
||||
```python
|
||||
import duckdb
|
||||
|
||||
con = duckdb.connect()
|
||||
con.sql("""
|
||||
SELECT user_id, COUNT(*) AS events, SUM(amount) AS revenue
|
||||
FROM read_parquet('s3://lake/events/2026/*.parquet')
|
||||
WHERE event_type = 'purchase'
|
||||
GROUP BY user_id
|
||||
ORDER BY revenue DESC
|
||||
LIMIT 100
|
||||
""").show()
|
||||
```
|
||||
|
||||
### Polars: out-of-core lazy
|
||||
```python
|
||||
import polars as pl
|
||||
|
||||
df = (
|
||||
pl.scan_parquet("s3://lake/events/*.parquet")
|
||||
.filter(pl.col("event_type") == "purchase")
|
||||
.group_by("user_id")
|
||||
.agg(pl.len().alias("events"), pl.col("amount").sum().alias("revenue"))
|
||||
.sort("revenue", descending=True)
|
||||
.limit(100)
|
||||
)
|
||||
print(df.collect(streaming=True))
|
||||
```
|
||||
|
||||
### Flink: streaming aggregation
|
||||
```java
|
||||
DataStream<Event> events = env.fromSource(kafkaSource, ...);
|
||||
|
||||
events.keyBy(Event::userId)
|
||||
.window(TumblingEventTimeWindows.of(Time.minutes(5)))
|
||||
.aggregate(new RevenueAggregator())
|
||||
.sinkTo(icebergSink);
|
||||
```
|
||||
|
||||
### Iceberg time-travel + schema evolution
|
||||
```sql
|
||||
-- snapshot 의 query
|
||||
SELECT * FROM events FOR VERSION AS OF 8723649283746;
|
||||
SELECT * FROM events FOR TIMESTAMP AS OF '2026-05-09 00:00:00';
|
||||
|
||||
-- column add (no rewrite)
|
||||
ALTER TABLE events ADD COLUMN device_id STRING;
|
||||
|
||||
-- partition evolution
|
||||
ALTER TABLE events ADD PARTITION FIELD bucket(16, user_id);
|
||||
```
|
||||
|
||||
### Spark: dynamic partition pruning + AQE
|
||||
```python
|
||||
spark.conf.set("spark.sql.adaptive.enabled", "true")
|
||||
spark.conf.set("spark.sql.adaptive.coalescePartitions.enabled", "true")
|
||||
spark.conf.set("spark.sql.adaptive.skewJoin.enabled", "true")
|
||||
|
||||
# AQE 의 plan 의 runtime 의 reoptimize
|
||||
df = spark.sql("""
|
||||
SELECT u.name, e.event_type, COUNT(*)
|
||||
FROM events e JOIN users u ON e.user_id = u.id
|
||||
WHERE e.date >= '2026-05-01'
|
||||
GROUP BY u.name, e.event_type
|
||||
""")
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Stack |
|
||||
|---|---|
|
||||
| < 100 GB · single node | DuckDB · Polars |
|
||||
| 100GB - 10TB batch | Spark + Iceberg |
|
||||
| > 10 TB / day | Spark/Trino + Iceberg + Snowflake |
|
||||
| Streaming < 1s latency | Flink + Kafka |
|
||||
| Ad-hoc SQL | Trino · DuckDB |
|
||||
| ML training | Spark + Petastorm 또는 Ray Data |
|
||||
|
||||
**기본값**: Iceberg-on-S3 + Spark/DuckDB 의 hybrid — 매 modern lakehouse 의 standard.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Distributed Systems]] · [[Data Engineering]]
|
||||
- 변형: [[Lakehouse]] · [[Data Warehouse]]
|
||||
- 응용: [[Apache Ignite]]
|
||||
- Adjacent: [[Append-only log]] · [[Stream-Processing-Architectures|Stream Processing]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: SQL 의 generate, partitioning strategy 의 advise, schema evolution diff 의 explain, Iceberg 의 table maintenance 의 query 의 draft.
|
||||
**언제 X**: 매 production tuning (shuffle partition · executor sizing) — metric-driven 의 require, LLM hint 의 starting point 만.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Premature distribution**: 매 < 50GB 의 case 의 Spark — DuckDB 의 100x faster.
|
||||
- **Small file problem**: Spark 의 1KB parquet 의 millions — compaction 의 require.
|
||||
- **Hive-style partition explosion**: 매 high-cardinality column 의 partition (e.g. user_id) — Iceberg bucket transform 의 use.
|
||||
- **Schema-on-read 의 over-rely**: governance 의 erode — open table format 의 use.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Apache Iceberg/Spark/Flink docs, MotherDuck "Big Data is Dead" 2023, Databricks Lakehouse paper).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 5V + 2026 lakehouse stack + DuckDB/Polars/Flink patterns |
|
||||
Reference in New Issue
Block a user