Accueil InfoQ Base de données sur InfoQ
-
Les Pièges De La Conception NoSQL Avec Java
Les bases de données non relationnelles sont un sujet évoqué lorsque nous parlons de nouvelle modélisation ou de persistance polyglotte. Cependant, quels sont ses impacts sur cette adoption ? Le but de cet article est de couvrir les premières étapes d'utilisation de ce type de base de données dans une architecture d'entreprise.
-
Les Nouveautés De Jakarta NoSQL, Partie 2 : Qu'est-Ce Que Le Cloud-Native ?
Dans cette série, nous allons parler des nouveautés de Jakarta EE avec la spécification originale pour bases de données NoSQL. Dans ce deuxième article, nous reviendrons sur la définition du "Cloud Native" et montrerons comment, d'un point de vue pratique, exécuter une application Jakarta EE avec une approche "Cloud Native" sur une solution PaaS.
-
Les Nouveautés De Jakarta NoSQL, Partie 1 : Introduction Aux Documents Avec MongoDB
Dans cette série, nous allons parler des nouveautés de Jakarta EE avec la spécification originale de la base de données NoSQL. Dans ce premier article, nous parlerons de l'intégration entre Jakarta et MongoDB et montrerons comment l'API fonctionne pour des bases de données orientées document, ainsi que plusieurs façons de faire des requêtes sur ce type de base de données NoSQL.
-
Comment Utiliser Redis TimeSeries Avec Grafana Pour Des Analyses en Temps Réel
Dans cet article, l'auteur explique comment une base de données spécialement conçue, telle que RedisTimeSeries, peut être utilisée pour gérer des données de séries chronologiques. Il montre également comment visualiser ces données dans un tableau de bord Grafana.
-
Comment Utiliser Prometheus Pour Surveiller Des Applications À Grande Échelle
Dans cet article, l'auteur explique comment collecter des métriques et détecter les anomalies à partir de streaming de données à l'aide des technologies Prometheus, Apache Kafka et Apache Cassandra.
-
Startup Architecture : PostgreSQL, Hadoop, Elasticsearch chez Clic2Buy
InfoQ FR discute avec Guillaume de Clic2Buy sur l'architecture technique nécessaire pour gérer leur fort trafic, avec notamment Postgres, MongoDB, Hadoop, Redis et Elasticsearch, et des fronts en Ruby on Rails, nodejs et Angular.
-
Startup Architecture : R, DocumentDB et Java chez Brennus Analytics
InfoQ FR discute avec Florent Dotto et Thomas Sontheimer de Brennus Analytics sur leur archi technique : R, DocumentDB, Java. Une stack moderne orientée data science sur Azure.
-
Traitements Big Data avec Apache Spark - 2ème partie : SparkSQL
Spark SQL, composant du framework Apache Spark, est utilisé pour effectuer des traitements sur des données structurées en exécutant des requêtes de type SQL sur les données Spark. Srini Penchikala discute le module Spark SQL et la manière dont il simplifie les analyses de données utilisant SQL.
-
Startup Architecture : Wildmoka
A l'occasion des TechDays 2015, InfoQ FR a pu discuter avec Cristian Livadiotti et Thomas Menguy, les fondateurs de Wildmoka, une société éditrice d'une plateforme de gestion de la vidéo à destination des médias, des chaînes de télévision ou des opérateurs. A leur actif, pas mal de réalisations connues comme le générateur de vidéos personnalisées des 30 ans de Canal+ avec l'équipe de Bref.
-
Entretien sur QuasarDB avec Jean-Claude Tagger et Edouard Alligand
A l'occasion des TechDays 2015, InfoQ FR a pu rencontrer Jean-Claude Tagger et Edouard Alligand de QuasarDB et aborder l'architecture et la roadmap de cet éditeur frangais de base de données.
-
Traitements Big Data avec Apache Spark - 1ère partie : Introduction
Apache Spark est un framework de traitements Big Data open source construit pour effectuer des analyses sophistiquées. Dans cet article, Srini Penchikala explique comment le framework Apache Spark aide dans le domaine des traitements et des analyses big data avec son API standard et explique comment Spark se positionne par rapport aux implémentations MapReduce traditionnelles comme Apache Hadoop.
-
Distributions de calculs sur un cluster avec JPPF
Cet article décrit comment il est possible de paralléliser l'exécution de traitements soumis à une implémentation spécifique d'ExecutorService sur un cluster JPPF. Chaque traitement calculera la liste des nombres premiers entre 1 et une valeur limite, fixée à l'initialisation.