Scala para engenharia de dados: primeiros passos

Scala para engenharia de dados: primeiros passos

Introdução ao Scala e seu papel na Engenharia de Dados

A engenharia de dados é uma área essencial no processamento e análise de grandes volumes de dados. Para lidar com essa demanda, é fundamental contar com linguagens de programação eficientes. No contexto da engenharia de dados, podemos utilizar diversas linguagens e entre as mais utilizadas temos Python, Java e Scala. Dentre elas, o Scala é bastante interessante e muitas big techs, como Nubank e Airbnb, utilizam para solucionar seus desafios de Big Data.

O Scala foi criado por Martin Odersky em 2001 com o objetivo de ser uma linguagem moderna e versátil. Martin queria combinar os melhores aspectos da programação orientada a objetos com os da programação funcional em uma única linguagem. O nome "Scala" vem de "Scalable Language" (linguagem escalável), pois a ideia era que a linguagem pudesse ser dimensionada para diferentes tamanhos de projetos e sistemas.

Imagem colorida, representando a união de Scala e Apache Spark, com o logo e nome da esquerda para direita, do Scala e em seguida o Apache Spark. Entre eles existe um sinal de, soma.

Uma das principais razões pelas quais o Scala se destaca na engenharia de dados é a sua integração com o Apache Spark, um dos frameworks mais populares para processamento distribuído de Big Data. O Spark foi originalmente desenvolvido em Scala e fornece uma API nativa para essa linguagem, aproveitando ao máximo seus recursos e capacidades. O Scala e o Spark se complementam de maneira eficiente, permitindo que engenheiros de dados tenham um alto desempenho para processamento e análise de dados em larga escala.

Banner promocional da Alura, com um design futurista em tons de verde, apresentando o texto

Sintaxe Básica do Scala

A sintaxe básica do Scala é um universo rico e abrangente, que envolve desde a definição de tipos de dados e variáveis até o domínio das estruturas de controle, a criação de funções e métodos poderosos e a manipulação de coleções de dados. Neste artigo de Scala, mergulharemos em cada um desses elementos essenciais que usamos na engenharia de dados e em outras aplicações.

Tipos de dados e variáveis

No Scala, os tipos de dados e variáveis são fundamentais para armazenar e manipular informações em um programa. Podemos usar uma variedade de tipos de dados básicos, como Int (para números inteiros), Double (para números de ponto flutuante), Boolean (para valores true/false) e String (para texto).

val idade: Int = 25 // Declaração explícita de uma variável idade do tipo Int
val nome = "João" // Inferência automática do tipo String
val salario: Double = 2500.50 // Declaração explícita de uma variável salario do tipo Double

O interessante de declarar algo em Scala é que temos dois tipos de variável var e val. Quando criamos uma variável em Scala do tipo var podemos alterar ela durante o nosso código, mas a val é imutável, se não há uma boa razão para alterar o valor das suas variáveis, devemos sempre utilizar o tipo val. Isso é uma característica da imutabilidade, uma prática recomendada em programação funcional, pois torna o código mais seguro a efeitos colaterais inesperados.

Trabalhando com coleções (listas, conjuntos, mapas)

Em Scala, é fundamental entender como lidar com coleções de dados, como listas, conjuntos e mapas. Essas estruturas de dados são amplamente utilizadas para armazenar e manipular informações de forma eficiente. Vamos explorar brevemente cada uma dessas coleções.

1. Listas

Uma lista é uma coleção ordenada de elementos, permitindo duplicatas. Ela pode ser criada com a notação List(elemento1,elemento2, …).

val lista = List(1, 2, 3, 4, 5)
// Acessar elementos da lista
val primeiroElemento = lista(0) // Retorna 1
// Adicionar elemento à lista
val novaLista = lista :+ 6 // Retorna List(1, 2, 3, 4, 5, 6)
// Filtrar elementos pares da lista, ou seja, cujo a divisão por 2 o resto é igual a 0
val numerosPares = lista.filter(_ % 2 == 0) // Retorna List(2, 4)

Podemos aplicar uma transformação a cada elemento da lista, utilizando, por exemplo, a função .map().

//Multiplicando cada elemento por 2
val numerosDobrados = lista.map(_ * 2) // Retorna List(2, 4, 6, 8, 10)

2. Conjuntos

Ao contrário de uma lista, um conjunto é uma coleção não ordenada de elementos e não permite duplicatas. Eles podem ser criados usando a notação Set(elemento1, elemento2, ...).

val conjunto = Set(1, 2, 3, 4, 5)

// Verificar se um elemento está presente no conjunto
val contemTres = conjunto.contains(3) // Retorna true

// Adicionar elemento ao conjunto
val novoConjunto = conjunto + 6 // Retorna Set(1, 2, 3, 4, 5, 6)

// União de conjuntos
val outroConjunto = Set(4, 5, 6, 7, 8)
val uniao = conjunto.union(outroConjunto) // Retorna Set(1, 2, 3, 4, 5, 6, 7, 8)

3. Maps

Um "mapa" é uma coleção de pares chave-valor, onde cada chave é única. Para os programadores em Python, Map lembra bastante um dicionário. Um Map pode ser criado com a notação Map(chave1 -> valor1, chave2 -> valor2, ...).

val mapa = Map("a" -> 1, "b" -> 2, "c" -> 3)

// Acessar valor através da chave
val valorB = mapa("b") // Retorna 2

// Adicionar novo par chave-valor ao mapa
val mapanovo= mapa + ("d" -> 4) // Retorna Map("a" -> 1, "b" -> 2, "c" -> 3, "d" -> 4)

// Remover par chave-valor do mapa
val outroMapa = mapanovo - "c" // Retorna Map("a" -> 1, "b" -> 2)

Integração com frameworks de Big Data

O Scala é amplamente utilizado na integração com frameworks de Big Data, sendo o Apache Spark o principal exemplo. Essa combinação poderosa permite o processamento distribuído de dados em larga escala. Com o Scala, podemos expressar transformações e manipulações de dados de forma concisa, aproveitando a API do Spark. Essa integração permite realizar operações complexas, como filtragem, mapeamento e junção de dados distribuídos, possibilitando análises e manipulações eficientes.

Imagem colorida, representando a união de Scala e Databricks, com o logo e nome da esquerda para direita, do Scala e em seguida o Databricks. Entre eles existe um sinal de, soma.

Além disso, o Scala também é bastante utilizado em conjunto com a plataforma Databricks. O Databricks é um ambiente de colaboração baseado em nuvem, projetado especificamente para o desenvolvimento de aplicações de Big Data e Machine Learning. Com o Scala, os engenheiros de dados podem tirar o máximo proveito do Databricks para criar pipelines de dados avançados, explorar conjuntos de dados de maneira interativa e executar análises sofisticadas. A plataforma Databricks oferece suporte nativo ao Scala, facilitando o desenvolvimento e a implantação de soluções de engenharia de dados de alto desempenho.

Essas integrações possibilitam análises e manipulações eficientes de dados, permitindo o desenvolvimento de soluções escaláveis na área de engenharia de dados. Mas é somente com Scala que temos soluções eficientes? A resposta é não, podemos desenvolver soluções usando Spark com Python também, através da API PySpark, por exemplo, por isso é interessante entender as diferenças dessas duas linguagens.

Scala vs Python: Comparando as linguagens na Engenharia de Dados

Imagem colorida, representando a comparação de duas linguagens, com o logo e nome, da esquerda para direita, Scala e Python.

Mesmo com ganhos de performance, poucas pessoas engenheiras de dados começam sua carreira aprendendo Scala. Para início de uma jornada em dados, a curva de aprendizado do Python é muito interessante, sendo um canivete suiço para diversas áreas de dados. Ao considerar a escolha entre Scala e Python para a engenharia de dados, é importante analisar as vantagens e desvantagens de cada uma das linguagens. Embora o Python seja amplamente adotado e conhecido por sua versatilidade, o Scala oferece benefícios específicos que podem ser valiosos para a manipulação de dados em larga escala.

Tabela de comparação Scala e Python. Na primeira linha, temos o tema desempenho, seguindo a ordem da esquerda para direita, na coluna Scala, conteúdo em texto, “Eficiente e otimizado para processamento em larga escala". Na coluna Python,  o texto, “Tem um bom desempenho, mas é lento comparado ao Scala”. Na segunda linha com o tema integração Spark, onde na coluna Scala, o texto, “Nativo”, na coluna Python, o texto, “Via API (PySpark)”. Na terceira linha, com tema Programação funcional, coluna Scala, uma imagem verde representando um “check”, na coluna Python, uma imagem verde representando um “check”. Na quarta linha, com tema Programação Orientada a objeto, coluna Scala, uma imagem verde representando um “check”, na coluna Python, uma imagem verde representando um “check”. Na quinta linha, com o tema curva de aprendizado, a coluna Scala, com texto, “Maior (complexo)”, na coluna Python, com texto,  menor (simples). Na sexta linha com o tema Ecossistema de bibliotecas, na coluna Scala, com texto, ”relativamente limitado”, na coluna Python, com o texto, “Vasto e maduro” e a sétima e última linha, com o tema Adoção, na coluna Scala, com texto “Costuma ser usada especialmente em Big data e processamento distribuído", na coluna Python, com texto, “Altamente adotada com uma comunidade grande e bem estabelecida".

Vantagens do Scala

  • Desempenho: o Scala é executado na máquina virtual Java (JVM), o que permite um desempenho eficiente e otimizado. Isso é especialmente benéfico ao lidar com grandes volumes de dados e processamento distribuído.
  • Integração com o Apache Spark: o Spark, um dos principais frameworks de processamento distribuído de Big Data, foi originalmente desenvolvido em Scala. O Scala possui uma API nativa para o Spark, facilitando a construção de aplicações escaláveis e de alto desempenho para engenharia de dados.
  • Programação funcional: o Scala suporta programação funcional de forma nativa, o que é útil para lidar com transformações complexas de dados. A programação funcional pode facilitar a expressão de lógica de manipulação de dados e facilitar a manutenção e teste de código.
  • Programação Orientada a Objetos: o Scala também suporta programação orientada a objetos, dando suporte aos conceitos de classes, objetos, herança etc.

Desvantagens do Scala

  • Curva de aprendizado: o Scala pode ter uma curva de aprendizado mais íngreme em comparação com outras linguagens, devido à sua sintaxe e conceitos avançados, como programação funcional e tipos de dados avançados. Isso pode exigir um investimento de tempo e esforço para dominar a linguagem.
  • Ecossistema de bibliotecas: embora o Scala tenha um conjunto sólido de bibliotecas para engenharia de dados, o ecossistema de bibliotecas pode não ser tão vasto quanto o do Python. Isso significa que pode haver menos opções prontas para uso e pode ser necessário desenvolver mais códigos personalizados em alguns casos.
  • Pouca adoção: uma desvantagem do Scala para engenharia de dados é a sua menor adoção e popularidade em comparação a linguagens como Python ou Java. Embora o Scala tenha ganhado destaque na comunidade de desenvolvimento de software e engenharia de dados, especialmente devido à sua integração com o Apache Spark, seu uso ainda pode ser menos comum.

Ao considerar o uso do Scala na engenharia de dados, é importante ponderar essas vantagens e desvantagens em relação aos requisitos específicos do projeto e à experiência da equipe. O Scala pode ser uma escolha poderosa para aplicações que requerem alto desempenho, processamento distribuído e manipulação complexa de dados, desde que se esteja disposto a investir no aprendizado da linguagem e lidar com um ecossistema de bibliotecas relativamente menor. Embora possa exigir um investimento maior em aprendizado, o Scala oferece recursos essenciais para lidar com desafios complexos, por isso é uma excelente escolha para profissionais da area de Engenharia de Dados por construir soluções escaláveis e eficientes para enfrentar os constantes desafios do mundo dos dados.

Se quiser saber mais sobre essa linguagem e como ela é usada nas empresas, recomendamos esse episódio do Hipster.Tech, em que o Paulo Silveira, CEO e co-fundador da Alura, discute o assunto com o Juliano Alves, engenheiro de software na TransferWise em Londres, com a Daniela Pretuzalek, tech principal na Toughtworks, e com o Flavio Brasil, engenheiro de software no Twitter:


Créditos

Paulo Calanca
Paulo Calanca

Estudante de Engenharia de Computação, na Universidade Candido Mendes. Atualmente atua como Monitor da escola de dados da Alura. Com muito interesse em Estatística, Data Science e Engenharia de Dados. Constantemente aprendendo novas tecnologias.

Veja outros artigos sobre Data Science