Introducción a los Data Lakes Parte 3

Hola a todos! Llegamos al final de la serie. En la primera parte vimos qué es un Data Lake y por qué importa. En la segunda parte conocimos los 5 servicios que forman el núcleo: S3, Glue, Athena, Lake Formation y Lambda. Hoy dejamos la teoría de lado. Vamos a construir el Data Lake completo , con todo el código disponible en un repo abierto para que lo despliegues en tu propia cuenta de AWS en minutos. Acá estamos. Manos a la obra. Qué vamos a construir El escenario es simple y realista: una empresa con varias sucursales que suben sus ventas diarias como archivos CSV. Cada vez que llega un archivo nuevo, el pipeline se dispara solo y transforma esos datos crudos en datos consultables con SQL. El flujo de punta a punta: Un CSV llega a la raw zone de S3 El evento PutObject dispara una función Lambda Lambda lanza un Glue Job que transforma el CSV a Parquet y lo escribe en la processed zone Un Glue Crawler mantiene actualizado el Data Catalog Athena consulta los datos procesados con SQL estándar Lake Formation controla quién puede ver qué Todo lo que vimos en los posts anteriores, funcionando junto. Y lo mejor: todo el código está en un repo público , definido como infraestructura con AWS CDK en Python. El repo: infraestructura como código con CDK En lugar de armar todo a mano desde la consola (clic acá, clic allá, y dentro de 6 meses nadie se acuerda de qué configuró), todo el Data Lake está definido como código con AWS CDK en Python. 📦 Repo: github.com/alvarongg/serverless-datalake-aws ¿Por qué CDK y no la consola? Tres razones: Reproducible: lo despliegas en cualquier cuenta con un solo comando Versionado: cada cambio en la infraestructura queda en el historial de Git Documentación viva: el código es la arquitectura — no hay un diagrama desactualizado en un wiki Si estás arrancando con Data Lakes, hacer todo por consola una vez es un buen ejercicio para entender las piezas. Pero para cualquier cosa que vaya a producción, infraestructura como código no es opcional. Có