PARTE 2 - PROCESAMIENTO EN REAL-TIME CON EVENT HUB Y DOCKER INSTANCE

Bien, comenzamos con la segunda parte de

nuestra clase del día de hoy, que

básicamente va a estar enfocado en

ejecutar un archivo, un script en Python

desde mi contenedor en Asure hasta

llegar a utilizarlo con IoT. En este

caso voy a utilizar este recurso que se

llama Evenhubs, que se trabaja para

tiempo real. Si ustedes vienen por acá,

le ponen even huber.

Listo. Ah, me olvidó que todo ya. Bueno,

¿dónde está esto? Acá.

Bueno, como me dice, Evenhs es un

servicio de ingesto de datos en tiempo

real, totalmente administrado, que es

sencillo, confiable y escalable. Haga

streaming de millones de eventos por

segundos desde cualquier origen para

crear canalizaciones de datos dinámicos

y responder a los desafíos empresariales

de inmediato. Mantenga este

procesamiento de los datos en

situaciones de emergencia usando las

características de recuperación ante

desastres de forma geográfica.

Eh, entregue otros servicios de Asure

sin problema para obtener conclusiones

que serán de una gran utilidad. Permite

a los clientes y aplicaciones actuales

de Apache KFCA comunicarse con Evenhubs

sin la necesidad de realizar cambios en

el código. Disfrute una experiencia de

CAFCA administrada sin tener que

preocuparse de la administración de sus

propios cláusteres. Experimente la

ingesta de datos en tiempo real y el

procesamiento en microlotes en el mismo

flujo. Esto, jóvenes, ¿han entendido?

saben que, por ejemplo, ustedes me han

dicho que han llevado base de datos,

pero dentro de base de datos, tres, creo

yo, que ustedes llevan ya analítica, hay

dos procesamientos, dos típicos, que uno

se conoce como lotes, ahorita se los voy

a poner ah

acá,

uno que se conoce como lotes o batch,

que generalmente son estos pases a

producción que les decía que se hacen en

la madrugada o también hay este que es

streaming. ¿Conocen qué es cada uno de

estos o quieren que les explique? Para

que me entiendan qué demostración vamos

a hacer el día de hoy.

¿Nos podría explicar, por favor,

licenciada?

[carraspeo]

Y ya. A ver, ¿alguien más? ¿O ya han

visto esto en la materia?

No se explica, lectric. Ya

tengo esto, por ejemplo, yo estoy en

grabación de un curso

que es, bueno, básicamente se foca en

datos en tiempo real.

E, ¿qué es lo bueno lo que les decía? A

ver, vamos a ver por acá que

esto no.

Ya no. Ah, no, no. Acá, desde aquí vamos

a empezar, por ejemplo, vamos a empezar

con una analogía h tradicional, por

ejemplo, del mundo real.

Imagínen eh nos podemos imaginar de dos

maneras al momento de entrarnos una

noticia y cómo está pasando en el mundo.

En este caso, la primera es, bueno,

¿cómo nos enteramos una noticia? Puede

ser por el periódico, es decir, toda la

información se recompila, se imprime de

una sola vez. y te llega por la mañana.

El periódico es ordenado y es eficiente,

pero siempre llega con un retraso. ¿Por

qué? Porque se lee la noticia de un día

anterior, es decir, lo que pasó ayer.

Esa es la esencia de lo que se llama

procesamiento en batch. Aquí voy a poner

esto acá. procesamiento en batch o más

conocido procesamiento por lotes. Es

decir, por eso les he enseñado a qué

cosa hacer una fecha anterior, fecha

ayer, segundo día, creo que yo de clases

les he enseñado esto que es simplemente

la fecha actual.

Esto obviamente sacas en sus días. Por

ejemplo, acá me voy a poner punto AD,

que simplemente sacas el día

atsas

uno y con eso tú vas a tener la fecha de

ayer. ¿Para qué? Para apuntar un día

anterior y recoger toda esa data. A eso

se conoce, por si acaso, jóvenes, como

procesamiento en batch o procesamiento

en lotes. A ver, estito borraremos.

Y eso para cualquier trabajo, para

reportes más que todo les van a pedir.

Ahora, ¿cuál es la diferencia con un

procesamiento en streaming? Entonces, en

este caso, en la analogía del mundo real

sería cuando nos llega una notificación

a nuestro teléfono. Es decir, cada

suceso te llega en el instante exacto en

el que ocurre y puedes reaccionar de

inmediato. A eso se considera

procesamiento en streaming o

procesamiento en tiempo real. No esperas

a que, bueno, lo redacten, impriman y te

lo lleven, sino que te enteras al

momento. Esa es las dos diferencias.

Pero no quiere decir que por ser batch

de un día anterior es malo o por ser

streaming va a ser bueno, sino que cada

una de estas dos este dos tipos de

procesamiento tiene su razón de ser.

Entonces, empecemos por entender qué es

la definición de procesamiento por lotes

o por batch, que básicamente es un

método que recopila, agrupa y procesa

grandes grandes volúmenes de datos en

una sola operación. Es decir, es

automático y es asincrónico. Es decir,

corre solo sin que nadie lo supervise. A

estos jóvenes se los llama jobs. Tú a tu

jobcito le dices, "¿Sabes qué, papito?

Te vas a ejecutar cada día a las 3 de la

mañana vas a recolectar tal información

de tal servidor." Y eso hay gente que lo

hace. Eso es un trabajo, eso es un cargo

por si acaso. Ahora, ¿quién revisa

estos eh estos jobcitos? Básicamente la

gente de servidores, los que son

producción. Producción. ¿Qué les he

dicho? En cuando ustedes vayan a

trabajar en un ambiente productivo, hay

tres turnos. Primer turno de la mañana,

primer turno de la tarde, primer eh

bueno, otro turno de la noche.

Generalmente esta chamba de revisar que

no se ha que no se ha cortado, que no

falte nada o que se ha tirado el job

porque el servidor hay tantas cosas que

puede pasar, eso lo revisa la gente de

producción. producción simplemente hace

un clic y se empieza a descadenar todo

lo que tiene que hacer.

Segundo, ¿cómo eso? Eh, suele

programarse en eh horas bajas de baja

actividad, ya sea en madrugada, para no

saturar los sistemas y aprovechar los

recursos baratos. ¿Qué pasaría si

ustedes como área de TI, por ejemplo,

pusieran que su jobcito que tiene que

recoger la data anterior del servidor

eh se ponga a recoger a las 10 de la

mañana donde es más productivo el tema

de bueno, de operaciones y demás.

Entonces, su carga de trabajo que va a

estar ejecutando, recogiendo la data más

los clientes que van a estar apuntando a

ese servicio, lo van a hacer morir al

servidor, lo van a tirar. O sea, bueno,

en temas eh

no técnicos, o sea, en la parte

coloquial, no sé cómo decirlo, nosotros

les decimos tirar, por si acaso, ya se

tira el servidor y chao. Entonces, para

que siempre estén los servidores

operativos para nuestros clientes, ¿qué

se hace? se apuntan en la madrugada

porque en la madrugada obviamente pues a

ver, Yape obviamente utilizará pues del

100% el 1%,

pero el 99% está listo para hacer los

pases a producción. ¿Okay? Y tercero y

algo muy importante que es trabajar con

lotes de registro y no dato por dato, y

no, o sea, un dato por un dato. ¿A qué

se hace referencia con lotes de

registro? Básicamente cortamos por

fechas, por todos los días y se va

agrupando por esas fechas. Hoy día 20, o

sea, se hace el corte viernes 20, no, no

es viernes, 24 de julio del 2026, ayer

23 de julio del 2026 y así se va sacando

por los lotes, pero de todos los

registros de ese día y no así, por

ejemplo, como en streaming, que sean los

datos uno por uno, que te va a ir

llegando datito por datito. A mí eso no

me importa en procesamiento en lotes.

Ah, y bueno, ¿cómo funciona?

Básicamente, primero se recopila todos

los datos durante una ventana de tiempo.

Esa ventana de tiempo, por ejemplo,

puede ser la fecha de ayer, 23 de julio

del 2026. Posteriormente se encola las

instrucciones sobre cómo procesarlos. En

este caso puede ser una instrucción ETL.

Estoy extrayendo información de acá. Yo

voy a cargar a esto, voy a transformar a

esto y voy a hacer esto. Voy a agregar

una columna que va a ser la sumatoria,

digamos, de todas las notas. Y ya. Y

posteriormente se hace la ejecución del

trabajo. ¿Cuándo se cumplen las

condiciones, en este caso, ¿cuándo se

cumplen esas condiciones? En un horario

que tú has definido tu jobcito, en un

volumen acumulado. Es decir, si llego a

15 GB allá, entonces recién voy a hacer

mi procesamiento por lotes y demás. Una

vez configurada, requiere muy poco

mantenimiento y simplemente la área de

TI, específicamente producción, se

encarga de vigilar si hay errores o sí

reintentar si los lotes fallan y siempre

va a fallar, jóvenes. O sea, tu jobcito

puede estar corriendo belleza

de acá de tus de tus 20 días productivos

va a correr 15, pero en cinco siempre se

va a tirar y siempre va a haber error.

Entonces, tú tienes que ver cómo la

información está llegando, si se ha

llegado, si no hay y demás. Hay

diferentes cosas, ¿no? Todo lo que

ustedes hagan va a ser perfecto y va a

correr para todos los casos. Siempre se

tira, siempre, siempre, siempre. Y qué

les he dicho cuando trabajen en la

banca, si es crítico, pues le van a les

van a llamar y les va a decir, "¿Sabes

qué, papito? Tienes que venir a

solucionar esto. No importa si es 3 de

la mañana, no importa si estás bailando

gran poder, no importa si tu mujer está

dando a luz a tu bebé en el hospital, no

importa si es información crítica,

tienes que ir a resolver. Esa es tu

chamba como informático. Ahí sí aplica

los stickers que ha mandado su

compañero, que era esto. ¿Dónde están?

Aquí, ¿no? Aquí. ¿Dónde están?

Ahí, ¿dónde están? Pues

acá,

ahí son tan su stickers.

[suspiro]

Ahí sí aplica eso de ya no aguanto, ya

no aguanto y se votan.

Y una de las cosas que igual no les he

dicho cuando estábamos en presencial era

la mayor parte de los informáticos, la

enfermedad que, bueno, por lo que mueren

es por cáncer de estómago, por la

presión, por el estrés. Generalmente a

lo que a nosotros nos mata es eso. Así

que tienen que saber controlar su

estrés. Si no saben, están perdidos. Y

si no saben, pues con el con el el mismo

tiempo, ya les he dicho, van a ser

cueros, tienen que ser cueros, tienen

que aguantar.

Ya, ahora sí, eh, volviendo a lo que

estábamos hablando, ¿cuándo brilla este

procesamiento en lotes? O sea, ¿cuándo

es ideal para trabajar? Entonces, cuando

nosotros manejamos grandes volúmenes de

información y sistemas que reciben el

resultado y este resultado que no se

necesita al instante, como por ejemplo

este facturación y cobros, ya que la

mayoría de las empresas, por ejemplo, no

reportan las facturas cada segundo, sino

que ellos hacen un proceso mensual,

quizás un proceso trimestral donde

tienen todo acumulado sus facturas

durante un periodo y posteriormente lo

transforman de golpe.

Segundo, cuando nosotros hacemos

procesos ETL a gran escala, por si

acaso, ETL por sus siglas en inglés es

extraer, transformar y cargar. Estas

transformaciones suelen ser costosas por

el tema de cómputo. Entonces, lo que nos

conviene a nosotros es agruparlas por

lotes y así nosotros vamos a abaratar

este proceso, sobre todo cuando nosotros

trabajamos temas de migraciones de datos

y demás, donde no nos importa controlar

tanto la velocidad, sino controlar los

costes y estamos ahí pues trabajando con

bastante información.

Y bueno, la regla de oro es básicamente

si se puede esperar, puedes utilizar un

proceso en batch y si necesitas el dato

al ya no más, entonces lo que tú

necesitas hacer es un proceso en

streaming.

Ahora, ya que estamos hablando del

proceso en streaming, es básicamente

lo que se tú tienes que guardar y

procesar de golpe cada cierto tiempo o

cada cierto evento. Entonces, podemos

definir al procesamiento en streaming o

a tiempo real al análisis continuo de

los datos en el mismo instante en los

cuales se genera sin esperar a

acumularlos.

Entonces este proceso funciona en tres

momentos. El primero es la ingesta

continua. Ni bien llega el dato, se va a

guardar. Ni bien llega el dato, se va a

guardar. Es decir, llega sin pausa desde

muchas fuentes, ya sea desde redes

sociales, ya sea desde sensores de IoT,

ya sea desde transacciones financieras y

demás. Segundo,

procesamiento en memoria. En este caso,

el motor trabaja los datos pequeños,

fragmentados o por evento, es decir,

evento por evento, casi sin latencia y

sin tocar el disco. Y tercero, una

acción inmediata. Se disparan alertas,

se actualizan tableros en vivo o se

ejecutan modelos con inteligencia

artificial casi al instante. Es decir,

la promesa de streaming es que del dato

a la acción en milisegundos. los casos

de usos o bueno, dónde vive el streaming

o dónde se utiliza este procesamiento en

tiempo real. Generalmente se utiliza en

la banca para la detección de fraudes,

ya que analiza los patrones de compra,

pero estos patrones tienen que

analizarse en milisegundos para aceptar

o rechazar la transacción. Segundo,

puede utilizarse en un e-commerce

electrónico, que en este caso serían los

motores de recomendaciones, que se

ajustan según los clics que tú vayas

dando en la página o incluso en el mismo

Netflix. te recomendando en el YouTube

según a lo que tú vayas escuchando. Es

ahí donde se utiliza procesamiento en

streaming.

Tercero, eh monitoreo y redes sociales.

En este caso se pueden eh sacar o

disparar o hacer triggers de forma

automática cuando el sistema se cae o el

servidor se sobrecarga.

Y acá eh bueno, encontramos las

tecnologías que se utilizan en este caso

para eh cuando nosotros hablamos de

streaming, el primero que va a brillar

es Apache Cafka, que es una plataforma

líder para ingerir y gestionar millones

de eventos. Segundo, applache Flink, que

es un motor diseñado para procesar

flujos con mínima latencia y actualmente

se utiliza también esto. Y Spark

Streaming, que procesa en microlotes

para lograr alto rendimiento.

Entonces, eh bueno, la diferencia entre

batch y streaming, pero enfocado en lo

que es la latencia y el tiempo de

respuesta. Por ejemplo, cuando nosotros

hablamos de procesamientos en batch, la

latencia es alta. ¿Por qué? porque tarda

minutos, horas o en días, dependiendo

del tamaño de los datos. Y en cambio en

streaming la latencia es baja. ¿Por qué?

Porque responde cada milisegundos o

segundos.

Eh, bueno, en el tema de la complejidad,

ch permite un análisis profundo, sobre

todo eh cuando trabajamos sobre datos

históricos y en streaming se forma se

enfoca en métricas inmediatas y

agregaciones temporales sencillas.

Bueno, ahí está con sus. Y finalmente en

recursos, cuando nosotros hablamos de

procesamiento en batch tiene picos donde

necesita mucha potencia que solo se

utiliza cuando se ejecuta. En cambio, en

streaming se necesita que los recursos

estén estables las 24 horas porque nunca

se detiene el proceso. Y acá es donde

viene la diferencia. Yo les puedo decir

que ningún procesamiento es mejor que el

otro. ¿Por qué? Porque son dos

procesamientos distintos, sirven para

necesidades distintas.

Y es lo que nos llevamos a la siguiente

diapositiva, que es básicamente cuándo

utilizar cada uno. Entonces, ustedes

tienen que elegir un procesamiento en

batch cuando el resultado puede esperar,

se puede trabajar con información

histórica. Esa información histórica,

¿para qué nos sirve? Nos sirve para

reportes mensuales, para cálculos de

nóminas, para facturaciones, para copias

de seguridad, para migraciones, para

tanto tipo de cosas. En este caso se el

procesamiento debatch se utiliza cuando

las tareas son grandes, programadas y se

utiliza donde nadie necesita el dato al

segundo. En cambio, cuando nosotros

hablamos del procesamiento en streaming,

se utiliza cada segundo, o sea, cada

segundo cuenta dentro de este

procesamiento, ya que nos sirve para

alertar un fraude, para monitoreo de

servidores, para recomendaciones en vivo

y demás. Entonces, acá viene la

pregunta. de oro y bueno, les va a hacer

entender cuál es el mejor procesamiento

para su carga de trabajo. Cuando

ustedes, digamos, cuando sean analistas

de sistemas, eso también van a hacer.

Entonces, les se tienen que hacer la

pregunta, ¿qué pasa si este dato llega

con una hora de retraso? Si la respuesta

es, "No pasa nada", entonces tú tienes

que elegir un procesamiento en batch.

Pero, ¿qué pasa si la respuesta es de

si llega menos una hora tarde

cuando ya se hecho el fraude, perdemos

plata, clientes o seguridad? Ah, no

pues, entonces batch no es lo tuyo, lo

tuyo es streaming. Y ahora se

preguntarán, ¿puedo combinar ambas

arquitecturas? Es decir, procesamiento

en batch y procesamiento en streaming.

Sí, en la actualidad es una de las

arquitecturas más requeridas utilizar

una combinación de ambos.

Ay, bueno, y acá ya viene breve historia

ya donde eh no, ya hasta ahí está bien

para que entiendan como concepto. ¿Han

entendido ahora sí cuál es la diferencia

entre streaming y en tiempo real?

Sí, ya. A ver, vamos a ver por acá. Esos

deberían enseñarles en la carrera base

de datos. O sea, hay una materia, dicen.

Ah, sí. Sí, facilito es. Si yo daría

base de datos, les puedo hacer de este

hacer jobs con lo que les piden el

mercado laboral, que es SQL Server. Y

hay otra herramientita que se llama SIS,

que con eso actualmente todos los bancos

trabajan para los reportes ASFI o eh

hacer con su data, les puedo enseñar

desde lo que es data warehouse de con la

tabla de dimensiones y hechos, cómo se

hace la actualidad. hay todavía eh

entidades bancarias que siguen

trabajando sus lógicas sobre warehouse.

Entonces, es lo que pide el mercado, les

enseñaría. Eh, después viene el otro

concepto que es data lake, donde es un

es una laguna de datos que bueno,

básicamente es donde llenas toda tu

información y es el otro concepto que se

llama layhouse, que es lo nuevo, que es

básicamente donde combinas tu warehouse

con tu data lake y fruto de eso sale tu

Layhouse, donde tienes lo mejor de ambos

mundos y tienes una única fuente de

información centralizada y eso nos sirve

muchísimo para el tema de inteligencia

artificial. Por eso yo, o sea,

obviamente yo me he especializado en IA,

pero tengo que saber todo esto porque no

solamente sabería, es saber todo lo

demás para poder relacionar los datos.

Y si tú tienes una sola única fuente de

la verdad, aparte de generar reportes,

métricas y demás, pues te sirve

muchísimo para el negocio tener uno

solo, porque ahí vas a aplicar

ontologías y vas a extraer toda esa

información, toda esa metadata para que

tu funcione mejor. Entonces, no

solamente jóvenes, por ejemplo, yo he

visto que ustedes se están enfocados que

dicen, "Puta, no, seguridad, seguridad,

seguridad, no." O sea, ustedes como

profesionales tienen que saber de todo

porque de seguridad les van a decir,

"Anda, analizar vulnerabilidades con eh,

por ejemplo,

para SQL injection o para las

inyecciones de PRS y vos te vas a decir,

"Pero no, yo solo soy seguridad,

seguridad, seguridad." No tienen que

saber de todo, de todo, porque de todo

les van a pedir en esta vida. Y

obviamente ustedes están estudiando para

esto y que les he dicho que tienen que

comer, tienen que vivir de esto.

Entonces tienen que no más estudiar,

estudiar y estudiar.

Ahora sí que ya sabemos, vamos a

crearnos nuestro Evenhub que nos va a

ayudar a almacenar toda esta

información. El Evenhub va a ser como

nuestro puentecito para poder traer toda

esta data. Entonces yo acá busco en

Microsoft Asure Evenhubs, le doy acá en

crear. Obviamente ustedes no les va a

aparecer nada lo que yo he hecho la

prueba. Acá yo le voy a dar en crear.

Acá grupo de recursos vamos a llamar RG9

creo que era. Si ustedes lo quieren

meter en todo, en uno, belleza, no hay

problema.

Después de esto dice nombre del espacio.

Yo no me acuerdo cómo era esto. Ah, ya.

Le vamos a poner

demo slen

slash

even lo voy a poner, pero es even ya

even home

ya, pero me ha validado, así que me da

igual. Es que no puedo escribir porque

acá está mi micrófono y me perjudica la

región. En este caso, creo que yo la he

puesto Australia. A ver, le voy a poner

Australia. Y el plan de traífas

con un básico, creo yo, que funciona, si

no estoy mal. Sí.

Y listo. Unidades de rendimiento, solo

uno por temas de demo. Avanzado. Acá es

la versión de ETL mínima. Esto lo voy a

dejar tal como está. Acceso redes

públicas,

gusto del cliente, etiquetas, nada.

Revisar y crear. Yito sería

ahí. Esperamos a que valideen.

Ahí está. Le damos en crear.

Ay, perdón, es mi música.

Ya. Ahí. Vamos a ver.

Ya está, ya se implementado.

Y ahora sí, vámonos a recurso.

Dentro del recurso, este es, por

ejemplo, digamos como tu base de datos,

así para ponerlo. Y acá vamos a, pero en

tiempo real, por si acaso, cuando

nosotros manejamos bases de datos, y se

les explica en clase, pero para que se

quede en su cabeza, cuando nosotros

manejamos bases de datos

transaccionales, más conocido como en la

carrera lo enseñan como relacionales, se

utiliza el lenguaje de consultas SQL.

Cuando nosotros hablamos en tiempo real,

por si acaso, el lenguaje de consultas

que nosotros utilizamos se llama KQL,

aquí está que es custom. Eh, no me

acuerdo por sus siglas en inglés cuál

era. Cost query language, no estoy mal.

Sí, es eso.

Y aquí está. Si ustedes quieren igual

por eso les digo, tienen que saber de

todo y no importa si eres desarrollador,

igual te van a, por ejemplo, cuando yo

estaba trabajando, eh, las arquitecturas

que hacían ellos hacían en CAPCA.

Entonces,

ay, tantas cosas que se hacen de todo

eso. Por eso ahorita disfruten su vida.

Cuando van a trabajar van a estar así,

pero ojo, no quiere decir que les estoy

haciendo escapar del trabajo, no. Les

estoy diciendo para que cuando estén

dentro de su trabajo no estén ahí

queriendo renunciar, nada. Tienen que

ser, ya les he dicho, fuertes, tienen

que aguantar

porque van a aprender de todo. Si yo

nunca hubiese ido a trabajar a ningún

lado, pues qué cosa les voy a enseñar si

no no hubiese tenido la experiencia, con

qué recomendaciones les hubiese dicho. Y

eso igual tienen que hacerlo. Okay.

Entonces, acá ya está. Eh, y digamos

como que no es como tabla, pero nosotros

tenemos que crear un jub. ¿Dónde creamos

eso? Acá en entidades,

acá donde les aparece este menú, eh,

derecho izquierdo, al izquierdo de

información general viene todo esto que

viene configuraciones y demás. Más

adelante vamos a venir por acá, pero

ahorita lo que me interesa es crearlo

esto entidades. Creamos un Evenhub y

esto es simplemente poner acá centro de

eventos y ponerle un nombrecito. Por

ejemplo, yo le voy a poner telemetría.

Telemetría.

Listo.

Eh, acá retención básicamente esta

directa, que dice eliminar tiempo de

retención horas 1. ¿A qué hace

referencia? Y cuando les he explicado el

concepto de streaming, ¿se acuerdan que

decía que pasa el dato sin tocar el

motor, ¿no ve? Entonces, este dato va a

quedar acá configurado, por ejemplo, una

hora así en el aire. Se llama otro, es

otro concepto. Es que se, ay, me he

olvidado, pero ya. Pero hay otro campo

que se llama donde quedan los datos al

vacío, que están en acuerdo cómo le

decía. Y en este caso, eh, una hora van

a vivir ahí. Si en esa una hora no pasa

nada con ese dato, se va a eliminar,

pero eh bueno, se queda ahí, mínimo una

hora, máximo 24 eh horas, un día y

listo. Capturas, no pone nada. revisar y

crear. Y eso es todo. Una vez que yo ya

tenga este mi evenhub levantado, voy a

obtener la cadena de conexión. Ahí está,

miren.

Y dentro de este amiguito, aquí ya puedo

empezar a capturar datos, procesar,

conectar y demás. Y acá van a ver cómo

es que todo esto se va a mover bien

rico. Entonces, dentro de esto me voy a

venir acá em demoh se, o sea, el primer

recurso que nosotros hemos creado, no

entidades, sino al primerito. Y acá en

configuraciones le van a dar donde dice

directivas de acceso compartido

y dentro de esto van a encontrar lo

siguiente, lo que se llama Root

Management Shirt Access Cate. le da clic

sobre eso y posteriormente esta cadena

de conexión principal, esta es la que

nos vamos a copiar, se van a dar cuenta

que empieza con este con end point y

todo esto, ¿okay? Y con esa base de con

esta conexión yo voy a conectar a mi

código en Python, que vamos a hacer una

simulación de enviar datos. Para esto me

voy a venir a mi acá a mi

a mi Docker donde está funcionando. Esto

lo voy a dar refrescar para que vean.

Ta taar. Así quisiera que en laboratorio

me corra. Puedo llevado más servicios,

pero a veces el internet falla o todo

falla. Triste. Ya. En este caso, a esto

yo le voy a llamar, por ejemplo, enviar

datos, pero en minúscula.

enviar

enviar datos.py P enter. Se me va a

crear mi archivito en Python y acá me

voy a copiar mi codiguito que yo ya

tengo. Todo este código por si acaso yo

lo voy a subir al GitHub, así que no se

preocupen. Posteriormente acá lo único

que yo hago es esto, importar sus

paquetes. El paquete de dependencia que

yo voy a descargar, es decir, voy a

hacer un pip install, es acá, es a

asure/evenhub.

En este caso, en vez en vez de ese slide

se pone punto y voy a importar estos dos

paquetes, tanto su cliente como evenend

data. Posteriormente acá yo pongo las

credenciales, que en este caso en

connection str voy a poner la cadena de

conexión que les he mostrado hace un

momento y el nombre del Evenhubetría,

¿no? Va. A ver, esta es la cadena de

conexión principal para que no se

pierdan. Primer demo que hemos creado,

configuración.

Luego de configuración se van a

directivas de acceso compartido, clic

donde dice root management access, eh,

no, [carraspeo] root management shirt

access gate y se vienen acá donde dice

cadena de conexión principal, lo

conectan, se vuelven a su docker, lo

pegan acá estito, listo y simplemente

este evenhub validan que se llame eso.

Acá vamos a venir.

Si se llama telemetría por si acaso, por

mi inseguridad. Lo voy a cortar y lo voy

a pegar. Listo. Nada más. Posteriormente

acá se va a crear el objeto cliente

donde se va a hacer las conexiones. En

este caso, mi objeto cliente se llama

producer. Y acá se va a generar de forma

randómica estos datos. sensor ID,

temperatura, humedad y el tiempo. Ahí

pueden ver los randoms. Posteriormente

esto se envía al procesamiento y listo.

Y bueno, cuando

cuando cada vez se haga este

procesamiento me va a salir el print eh

transmisión completada con éxito. Y si

no estoy mal, también se imprime los

datos o no se imprime, ya no me acuerdo.

Y finalmente estito que se pone para que

este sea el archivo principal en Python

y nada más que eso.

Ah, y bueno, para configurar eh todo

esto yo tengo que instalar. En este caso

he instalado simplemente Python, ¿se

acuerdan? Acá simplemente instalado

Python, pero no he instalado el pip, así

que eso es lo que voy a instalar. Así

que voy a limpiar mi

terminal y ahora sí voy a escribir otra

vez sudo [carraspeo] apt eh update

amper amper. Ah, no, esto no es amper.

Carachueva copa. Esto es amper amper.

Eh, después viene sudo aptal

[carraspeo] - y Python 3/

pip. Listo. Y ahora sí se me se me va a

descargar mi paquete pip instalar. Si yo

no eh instalo esto, automáticamente no

voy a poder instalar pip, les va a salir

error. Es por eso no más el error que no

tiene pip. Recordemos que ahorita como

yo estoy trabajando sobre mi decorcito,

esto no tiene nada instalado. Estoy

instalando todo de este cero. Así que ya

terminado. Belleza. Aquí lo voy a poner

clear para tener limpio. Y ahora sí

instalo. ¿Qué cosa? Voy a instalar mi

paquetito que estoy llamando acá.

Simplemente es eso.

Entonces voy a poner pip. En este caso,

si ustedes llaman a su intérprete como

Python, acá le ponen pip. Si ustedes

llaman a su intérprete como Python 3,

acá le van a poner eh pip 3, nada más.

Esa es la diferencia. Instal assure sl

event hub. Validamos que sea lo mismo

porque a veces me trago cosas. Asure

guion event

u hub. Sí, eso. Enter.

¿Y qué me dice? me dice, "Ay, que un

error."

Ay, no, por favor. O yo he puesto mal. A

ver, ay, control V.

Mm,

que no he instalado.

Ay, no, no quiero. A ver, vamos a volver

a actualizar.

Ya está. Vamos a

Hm.

No sé si se ha instalado o no. A ver,

vamos a hacer Creo que sí. A ver, vamos

a ver. Acá ejecutamos simplemente, ay,

Para ejecutar cualquier archivo

en Python es Python 3 y el nombre del

archivo ya. Pero aquí va a salir un

error. Ahorita les voy a mostrar ese

error. En este caso, ¿cómo se llamaba el

archivo? Se va a llamar. Aquí voy a

copiarme todito esto.

Control V. T. ¿Por qué sale error?

Porque les he dicho primero siempre

tienen que poner LS porque tienen que

saber dónde están ejecutando

LS. Y ahorita, por ejemplo, miren, en mi

LS me ha mostrado que la carpeta no está

eh, bueno, no estoy sobre ese archivo.

Entonces, tengo que entrar, tengo que

entrar sobre mi carpetita que está acá,

test y dentro de test recién está enviar

Python. Entonces, le voy a dar cd test

tabular y listo. Y ahora sí le doy un ls

y pueden ver que ya tengo mi enviar

datos y el index.html.

Entonces, ahora sí voy a darle en

ejecutar mi Python 3 y no he encontrado.

valimos queso. A ver,

dice, está pidiendo que inicie un

entorno virtual.

No, no quería. Ya, entonces hay que

poner el ¿Dónde está?

E, no es BM. Y ahorita vamos a crear, no

me acuerdo los comandos,

pero siempre está el mataburros.

Ya. Hm. Sí, mi proyecto. Ya. Vamos a

poner

clear.

No me gusta que transmit

MBM.

Y bueno, en este caso llamamos al

comandito para llamar al entorno virtual

y como ustedes quieran poner. Si quieren

pueden ponerle Carla, no importa. O le

pueden poner o virtual environment, da

igual, es el nombre no más acá que le

dan. Posteriormente entran. Ay, no sé

por qué no es el comando. Pues es al

revés, ¿no? Es así, pues.

Mm.

Python 3 y Ya.

¿Por qué no tengo el intérprete de

Python? Tengo Python 3. Ahora sí va a

correr. Ya está. Dice, "El entorno

virtual no ha sido creado porque no está

habilitado

para su sistema.

A ver,

vamos a ver qué está pasando.

Hm hm hm [carraspeo] hm hm.

Ya está.

Ya vamos a actualizar aquí. Tas

tazas.

Esto voy a cerrar.

Ahora sí que ya se ha actualizado esa

cosa que me pedía, voy a crear mi

entorno virtual.

Ahora sí ya se ha creado. Por si acaso,

chicos, cuando los que no trabajan con

Python, cuando creas tu entorno virtual,

acá te va a aparecer una carpetita que

está sobre tu proyecto, que es esta. Si

yo le pusier puesto Carla, Teletubi, lo

que ustedes quieran, me hubiese

aparecido Teletubi, lo que sea.

Generalmente

cuando eh construimos entornos virtuales

le llaman BM,

otros le llaman, pero a mí no me gusta

porque te confundes con el punto M, que

son de tus variables. Entonces, B como

tú quieras ponerle. Ya, para mí es a

gusto. O sea, nadie se ha hecho pedo

cuando he puesto otro, entonces me da

igual.

[resoplido]

Posteriormente tenemos que pasarlo a

activarlo. ¿Cómo lo activamos? Tenemos

que entrar a su ruta. En este caso le

voy a dar CD. Voy a ingresar al entorno

virtual que es B no sé qué cosa. Después

tengo que entrar a bin slash hasta ahí.

Posteriormente le tengo que dar la

palabra activate, si no estoy mal. Mm,

pero no sé por qué no me sale. A ver,

vamos a darle un ls.

Ahí está. Tengo el activate.

Activate,

enter. E no la encontró el comando. La

ch. Ya nos vamos a salir. Lo voy a poner

todo entero. CD.

CD. Ya. ¿Cómo está? Vamos. Le voy a

dars.

A ver, vamos a ver qué nos da. Ahora sí

ya lo he activado. Y cuando ustedes vean

que está activado el entorno virtual,

siempre va a estar con el nombre del

entorno que han creado este.

Listo. Y ahora sí que ya está activado

mi entorno virtual, recién me va a dejar

instalar, creo yo. A ver, vamos a poner

acá P.

Acá no es Pip, es bip 3. Ay, pucho.

Tar.

1, dos, tres. Ya está. Ahora sí. Enter.

Ahora sí, ya me ha descargado.

Listo. Y ahora sí voy a darle un ls. Ah,

ya tengo mi enviar Python, entonces

tengo que ejecutarlo. ¿Cómo lo ejecuto?

Python 3. Aquí dónde está.

Mm. Ajá. Nombre del intérprete. Python 3

slash el nombre del archivo. Enviar

datos. Enter. Ah, esperen, antes de que

le dé enter se los voy a dividir la

pantalla para que vean en tiempo real

cómo va a llegar los datos. [resoplido]

Ah, va copa. A ver, vamos a poner. Ajá,

ahí está. Esto minimizamos. ¿Dónde está?

A ver. Acá. Sí.

Ahora sí, esto sacamos

y ponemos

a ver dónde está. Acá esto

y esto quiero ponerlo ajá dividido así.

Madre.

Ah, ahora sí. A ver, acá en la segunda.

Exacto. Y primero es esto. Ahora sí,

estito lo voy a cerrar. Aquí está. Van a

ver, voy a ejecutar. ¿Y dónde está

Evenhub? Menú de servicio, información

general. [resoplido] Ahorita no hay

tanto tanta cosa, pero cuando voy a

llamar van a ver que esto se va a

disparar.

Enter.

Ah, era no. O era el de Ahí está el de

telemetría. También puede ser. Se está

enviando los datos. Y a ver, vamos a ver

acá. En uno de los dos se actualiza. No

me acuerdo en cuál.

Vamos a ver. Entonces, no era en este,

era en el otro.

Vamos a Ay,

Era acá.

Mm.

¿Dónde se veía configuraciones?

Procesamiento.

Ah, no. Hm.

Ay, cuando quiero mostrar las capturas.

Aquí era. No es lo mismo que del otro.

M,

acá tenía que llegar así,

pero no me acuerdo. Hay una pantallita

donde se ve. No era Direct Explore. No

creo, porque es lo que se va a cargar.

Ah, configuración, no. Propiedades, no.

Bloqueos, no. Grupo de consumidores, no.

Captura. No, procesar

análisis.

¿Dónde era? Pues

no me acuerdo. A ver.

Ah, ahí está. Bueno, muy tarde.

O sea, cuando yo he hecho el ejemplo

botaba todo,

pero acá no me está dando tan bonito.

[carraspeo]

Lo voy a volver a ejecutar.

Te tiene que haber acá los cambios en

tiempo real de todo lo que estamos

enviando.

Y acá en las en las métricas tiene que

aparecer.

Ahí está. Se está haciendo, pero no creo

que

no está haciendo una tan buena métrica.

Sí se está levantando y todo esto se

está capturando en tiempo real. Ah,

buenas noches. Me funcionó bien.

Ahí todos los datitos que estamos

haciendo y estamos trabajando, estamos

guardando. ¿Dónde guardamos? Guardamos

en telemetría

y listo. Ven acá no será por esto,

porque está haciendo muy chiquito. Tal

vez para que se vea mejor. Y es así como

se trabaja y eso es trabajar en tiempo

real. Ahora, si nosotros trabajaríamos

en batch y en lotes, ahí es otro

proceso. Ya no se utiliza Evenhub, se

utiliza otro tipo de tecnologías.

Bien, jovencitos, ¿hasta acá alguna duda

o consulta?

El source es en Linux. Sí, corre en

Linux. En este Nevenhubo ponemos Linux o

sí,

creo que no poníamos Linux. En el otro,

en

contenedores si se pone Linux.

A ver, ya me has hecho tu dar. Vamos a

venir acá

que yo sepa. No, pero no se pone nada de

sistema operativo. Ahora para finalizar

Evenhub voy a poner este acá.

Event

Eenhub

o SAS.

H Evenhub también es considerado como

plataforma como servicio,

específicamente para eh bueno, Service

Base es otra cosa, pero funciona como

plataforma de streaming de eventos

totalmente administrado por la nube

y listo. Sí, que también SP un servicio

SAS, ya les he mostrado con Microsoft

Fabric que no sé, bueno, no lo van a

poder implementar porque no tiene una

suscripción de pago por uso. Bien, hasta

acá jóvenes, eh es el contenido que

vamos a llevar el día de hoy.

Las prácticas, la primera práctica, no

sé [carraspeo] dónde ahora estará,

pero va a ser las tres, son tres

prácticas por los tres servicios que

nosotros hemos enviado. ¿Dónde está?

Este es laboratorio uno.

Laboratorio dos.

Bueno, laboratorio número dos,

crear tu servicio de instancia. ¿Cómo se

llama en español?

Eh, no,

[carraspeo]

de instancia de contenedor. Aquí vamos a

poner token Hub.

Ya, para lo que ustedes quieran

instanciar. No, les voy a poner una

imagen en concreto.

Aquí, ¿dónde está?

Si quieren instalar Postcrat, instalen

PostC. Crear un servicio de instancia de

contenedor,

ya sea de su propia imagen, ya sea de su

propia imagen,

ya sea de su propia imagen en Docker o

utilizar

una de Docker. Hub.

Listo. Ese es laboratorio número dos

y laboratorio número tres.

Crear un servicio

de streaming

con Evenhub. Evenh con el servicio.

Servicio de event

crear un servicio de streaming. Sí, como

nosotros lo hemos hecho igualito, pero

ya ustedes de donde sea que quieran

consumirlo, pueden consumirlo. Ya saben

cómo apuntar el script, por si acaso

pueden ejecutarlo de forma local, igual

va a correr y lo va a llenar el Evenhub.

No quiere decir que si o si tiene que

funcionar con Docker, no puede correr de

donde ustedes quieran.

Enter.

Eh, formas de envío

entregable, mejor

entregable. Vamos a poner

enviar un documento

PDF con sus nombres, porque

a veces eh me envían sin nombre, ¿quién

será? con sus nombres completos en el

siguiente formato. En el siguiente

formato, apellido paterno

más apellido

materno

materno

más nombres.

El documento

PDF debe

contener todos

los pasos de implementación.

Creo que yo, o sea, si ustedes están

creando el servicio,

tienen que sacarle una foto. Ahora,

dentro de esta foto ustedes cuando

vengan por acá, no, no es esto. ¿Dónde

está?

[carraspeo]

Cuando ustedes crean el servicio

acá, por ejemplo, este, el debenhub, que

es más fácil, van a poner sus nombres.

Por ejemplo, me acuerdo de la señorita

que era Shelly. Me voy a aumentar, me

voy a, me voy a inventar su apellido.

Shelly Aparicio, por ejemplo, Aparicio.

Entonces ustedes crean su espacio de

nombre Shelly Aparicio SL, por ejemplo,

Evenh Hub

y así para todos los servicios que

ustedes vayan creando, para Asure Maps,

para contenedores y para eh este que es

de Benho.

¿Listo? nombre del servicio,

así para que no se copien porque estos

va a ser los únicos laboratorios que

vamos a tener. No hay más

pasos de implementación.

Ahí está, ahí está.

Ahora sí, eh,

límite de entrega.

Lunes, no me acuerdo qué lunes era, de

julio

hasta

las 8 a

enviar a mi privado, a mi chat privado.

Después pienso en otra cosa. Ya. ¿Y

cuándo es lunes? Mm, 27.

Ahí está. Ahí está. Ahora sí. dudas,

consultas.

Cas, jóvenes, no hay dudas.

Tienen tiempo, tienen todo el fin de

semana para hacer esto y hay video, o

sea, es más rápido.

Ya, si no hay dudas, vamos a venir por

acá.

[suspiro]

Ay, me duele.