[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-medallion-03":3},{"content":4,"date":5,"image":6,"sideArticles":7},"h1,\r\n    h2,\r\n    h3 {\r\n        color: #333;\r\n    }\r\n\r\n    ul {\r\n        list-style-type: disc;\r\n        margin-left: 20px;\r\n    }\r\n\r\n    code {\r\n        background-color: #f4f4f4;\r\n        padding: 2px 5px;\r\n        border-radius: 3px;\r\n        font-family: monospace;\r\n    }\r\n\u003C/style>\r\n\r\n\u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\r\n        Agrelo\u003C/a>\u003C/p>\r\n\r\n\u003Cp>Bienvenidos al tercer laboratorio de vuestro camino en la replicación con \u003Cstrong>Eventarc\u003C/strong>. En este módulo,\r\n    sentaremos las bases del Change Data Capture (CDC) en tiempo real. No se trata solo de consultar bases de datos\r\n    relacionales, sino de transformar mutaciones de estado NoSQL en registros analíticos instantáneos. Utilizaremos\r\n    \u003Cstrong>Google Cloud\u003C/strong> para sincronizar eventos en la capa Bronze.\r\n\u003C/p>\r\n\r\n\u003Ch2>La Evolución: De Consultas Periódicas a Event-Driven CDC\u003C/h2>\r\n\r\n\u003Cp>El escaneo y consulta periódica sobre bases de datos transaccionales satura la red, consume lecturas operacionales\r\n    y genera latencia de sincronización innecesaria. En arquitecturas modernas, el CDC guiado por eventos es la respuesta\r\n    óptima:\u003C/p>\r\n\u003Cul>\r\n    \u003Cli>\u003Cstrong>Limitaciones:\u003C/strong> Ejecutar consultas de forma masiva sobre la base de datos de producción degrada\r\n        el rendimiento del sistema transaccional.\u003C/li>\r\n    \u003Cli>\u003Cstrong>La Solución:\u003C/strong> Capturar mutaciones de estado asíncronamente mediante disparadores en tiempo real\r\n        evita impactos y elimina el retraso analítico.\u003C/li>\r\n\u003C/ul>\r\n\r\n\u003Ch2>La Preservación Raw: Deserialización, Metadatos y JSON Nativos\u003C/h2>\r\n\r\n\u003Cp>Para asegurar que nuestra base analítica almacene de forma fiel cada mutación, utilizaremos el motor de BigQuery\r\n    ejecutando tres pasos lógicos:\u003C/p>\r\n\u003Cp>\u003Ccode>Captura de Evento (Protobuf) + Conversión a Diccionario (MessageToDict) + Registro de Historial (JSON)\u003C/code>\u003C/p>\r\n\u003Cp>Aprenderemos que un registro sin formato de eventos es inútil para el histórico; por ello, nos enfocaremos en conservar\r\n    el payload NoSQL original completo dentro de columnas tipadas como JSON nativos en BigQuery.\u003C/p>\r\n\r\n\u003Ch2>Configuración de Eventos con Terraform\u003C/h2>\r\n\r\n\u003Cp>En la ingeniería de datos en tiempo real, la infraestructura de eventos debe estar automatizada. No configuramos\r\n    disparadores de forma manual en la consola; utilizamos \u003Cstrong>Terraform\u003C/strong> para aprovisionar las rutas\r\n    y permisos que conectarán Firestore con BigQuery:\u003C/p>\r\n\u003Cul>\r\n    \u003Cli>\u003Cstrong>Gobernanza:\u003C/strong> Crearemos una tabla en \u003Cstrong>BigQuery\u003C/strong> con tipado nativo de columnas y la\r\n        enlazaremos con \u003Cstrong>Terraform\u003C/strong> de forma limpia.\u003C/li>\r\n    \u003Cli>\u003Cstrong>Triggers:\u003C/strong> Configuraremos un canal de \u003Cstrong>Eventarc\u003C/strong> para capturar las mutaciones\r\n        producidas en la base de datos de origen.\u003C/li>\r\n\u003C/ul>\r\n\r\n\u003Ch2>Implementación práctica\u003C/h2>\r\n\r\n\u003Cp>En este laboratorio práctico, codificarás el script del trigger en Python. Crearemos la función asíncrona y definiremos\r\n    las dependencias en el archivo \u003Ccode>requirements.txt\u003C/code> para deserializar los payloads, permitiéndote simular\r\n    mutaciones en la colección y observar la sincronización.\r\n\u003C/p>\r\n\r\n\u003Ch2>Conclusión: Replicación CDC en tiempo real\u003C/h2>\r\n\u003Cp>Has completado con éxito la replicación CDC en tiempo real. Has aprendido a desacoplar el sistema de producción\r\n    capturando eventos NoSQL e insertándolos de forma asíncrona en BigQuery sin afectar el rendimiento transaccional. Ya\r\n    tienes tus primeros datos de clientes fluyendo de forma continua; el siguiente paso es automatizar la ingesta por\r\n    lotes de archivos planos.\u003C/p>","July 9, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-medallion-03.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783609814678]