Olá, estudante, agora que você já sabe o impacto dos requisitos culturais e políticos no desenvolvimento de software, irei lhe apresentar os formatos de armazenagem de dados! No mundo da tecnologia, o armazenamento de dados desempenha um papel crucial no desenvolvimento de software. Os programadores e engenheiros de software precisam entender os diferentes formatos de armazenagem de dados disponíveis para escolher a melhor abordagem de acordo com as necessidades de seus projetos. Nesta lição, nosso objetivo é explorar os principais formatos de armazenagem de dados e suas aplicações no desenvolvimento de software.

Você conhecerá e relembrará alguns desses formatos, como: texto (txt), json (JavaScript Object Notation), bancos de dados relacionais, banco de dados NoSQL, entre outros. A escolha do formato certo é crucial para o sucesso do projeto, pois afeta a eficiência, a escalabilidade e a capacidade de lidar com os dados de maneira eficaz. Com um entendimento sólido dessas opções, você estará bem equipado para tomar decisões informadas em seus futuros projetos de software.

Aqui, você verá como resolver problemas de armazenagem de dados com banco de dados NoSQL. Os dados desempenham um papel central em muitos aspectos do nosso mundo digital, desde aplicativos móveis até sistemas de comércio eletrônico e análise de big data. No entanto, com o aumento exponencial no volume e na complexidade dos dados, surge a necessidade de formatos de armazenagem mais flexíveis e escaláveis. Um problema que os bancos de dados NoSQL resolvem com eficácia é a gestão de dados semiestruturados e não estruturados.

Os dados semiestruturados e não estruturados são informações que não se encaixam facilmente em formatos de banco de dados tradicionais, como tabelas de um banco de dados relacional. Isso inclui documentos JSON, XML, dados de sensores IoT, registros de eventos, redes sociais e muito mais. Você normalmente optará por esse formato, pois eles resolvem problemas como escalabilidade – uma vez que, à medida que os dados semiestruturados e não estruturados se acumulam, as soluções de armazenamento tradicionais podem enfrentar dificuldades para escalonar e lidar com grandes volumes de dados de forma eficiente –, bem como a flexibilidade – pois a estrutura desses dados pode mudar com o tempo, tornando difícil a adaptação a alterações sem a necessidade de remodelagem completa do banco de dados. Tudo isso culmina no desempenho, pois a realização de consultas complexas em dados semiestruturados e não estruturados pode ser lenta em sistemas de banco de dados relacional.

Sendo assim, os bancos de dados NoSQL resolveram com êxito o desafio de armazenar e gerenciar dados semiestruturados e não estruturados. Sua flexibilidade, escalabilidade e capacidade de consulta eficiente tornam-se uma escolha poderosa para muitas aplicações modernas.

O case fictício da lição é a Tech Solutions, uma empresa fictícia de tecnologia que enfrentou desafios crescentes ao lidar com uma explosão de dados em sua plataforma de comércio eletrônico. Inicialmente, a empresa dependia de um banco de dados relacional tradicional para armazenar informações de produtos, registros de clientes e transações. No entanto, à medida que a empresa cresceu, ficou claro que esse sistema não conseguia mais atender às demandas de escalabilidade, flexibilidade e desempenho. Esse case fictício narra a jornada da Tech Solutions ao migrar para um banco de dados NoSQL para solucionar esses problemas.

A Tech Solutions enfrentava vários desafios com seu banco de dados relacional: escalabilidade limitada, esquema rígido e consultas lentas. Após uma extensa pesquisa e avaliação de diferentes opções, a equipe de engenharia optou por migrar para um banco de dados NoSQL, escolhendo o MongoDB devido à sua capacidade de lidar com dados semiestruturados e escalabilidade horizontal. As vantagens como escalabilidade horizontal, flexibilidade de esquema e consultas rápidas foram os principais tópicos que “pesaram” na decisão.

Como resultado da migração, a empresa obteve uma melhoria considerável de desempenho, uma escalabilidade sem esforço e inovação mais rápida, pois as consultas agora eram executadas em uma fração do tempo, melhorando drasticamente a experiência do usuário, a empresa agora pode lidar com picos de tráfego sazonal e aumentar a capacidade de armazenamento sem problemas e com a flexibilidade a empresa já conseguiu lançar novos recursos e serviços mais rapidamente. Sendo assim, por meio desse exemplo, vemos uma situação em que o conhecimento sobre os formatos de armazenamento foi necessário para solucionar problemas que a empresa vinha passando.

Formatos de armazenagem de dados se referem à estrutura e organização que os dados assumem quando são armazenados digitalmente. Entender esses formatos é crucial no desenvolvimento de software, pois determinam como os dados são organizados, acessados, lidos, gravados e processados por aplicativos e sistemas de software. Esses formatos de armazenagem de dados são importantes por várias razões:

A escolha do formato certo depende das necessidades específicas do projeto e das características dos dados que estão sendo manipulados. Portanto, o técnico em desenvolvimento de software deve considerar cuidadosamente os formatos de armazenagem de dados ao projetar sistemas de software para garantir que atendam aos requisitos do aplicativo de maneira eficaz e eficiente.

O JSON é amplamente utilizado na comunicação entre sistemas distribuídos, armazenamento de configurações, intercâmbio de dados em APIs da web e muito mais, devido à sua simplicidade, facilidade de leitura e suporte em muitas linguagens de programação. Ele se tornou um formato padrão para muitos aplicativos que precisam transmitir e armazenar dados de forma eficiente e estruturada.

Alguns dos exemplos mais utilizados de bancos de dados relacionais são:

Os bancos de dados relacionais são comumente usados em cenários em que a integridade e a estrutura dos dados são críticas. São conhecidos por seu rigor na manutenção da integridade dos dados e na capacidade de realizar consultas complexas usando a linguagem SQL (Structured Query Language). Eles têm sido a base de muitos sistemas de informações empresariais ao longo dos anos, oferecendo confiabilidade e desempenho consistentes.

Alguns dos exemplos mais utilizados de bancos de dados NoSQL são:

Cada um desses exemplos demonstra como os bancos de dados NoSQL podem oferecer flexibilidade de esquema, permitindo que os desenvolvedores armazenem, modifiquem e acessem dados de maneira mais ágil e escalável do que os bancos de dados relacionais tradicionais.

Neste Saiba Aplicar, você implementará o uso de um dicionário de dados em Python que representa o armazenamento em JSON, apresentado nesta lição. É importante que você pratique o uso de JSON, pois ele é uma solução rápida para problemas simples que não necessariamente irão lhe “custar” o uso de banco de dados, sejam eles relacionais ou não. Essa implementação está simplificada em um único arquivo, mas está “aberta” para que você se desafie e amplie o contexto em que ela está inserida. Chega de conversa e mão na massa!

Siga o passo a passo a seguir para a implementação:

• Abra seu navegador web e acesse o site OnlineGDB em: https://www.onlinegb.com.

• Escolha a linguagem de programação que deseja usar – selecione Python na lista suspensa.

• No editor de código, você pode escrever o código Python para calcular o fatorial de forma recursiva conforme a Figura 1.

• Após escrever o código, você pode clicar no botão Run na parte superior do editor. Isso executará o código Python e mostrará o resultado na janela de saída.

• Na janela de saída, você verá a saída do seu programa, que, nesse caso, será: “{“nome”: “Alice”, “idade”: 25, “cidade”: “São Paulo”}, {“nome”: “Alice”, “idade”: 25, “cidade”: “São Paulo”}”.

Vejamos algumas explicações sobre o código da Figura 1:

• Linha 1: importação da biblioteca “json”, que nos permite trabalhar com JSON em Python.

• Linhas 3 a 7: criação de um dicionário chamado “dados” com três pares chave-valor. Cada chave (por exemplo, “nome”) está associada a um valor (por exemplo, “Alice”). Esses dados simulam informações sobre uma pessoa.

• Linha 9: uso da função json.dumps() para converter o dicionário “dados” em uma string JSON. Isso transforma os dados estruturados do Python em uma representação em texto no formato JSON. O resultado é armazenado na variável “dados_json”.

• Linha 10: impressão da string JSON na tela. Isso nos permite ver como os dados foram convertidos em JSON.

• Linha 11: uso da função json.loads() para converter a string JSON “dados_json” de volta em um dicionário Python. Isso é útil quando você recebe dados JSON de uma fonte externa e deseja processá-los em seu programa Python. O resultado é armazenado na variável “dados_de_volta”.

• Linha 12: impressão do dicionário recuperado na tela. Isso nos permite verificar se a conversão da string JSON de volta para um dicionário foi bem-sucedida.

Essa aplicação é útil para armazenar e trocar dados estruturados em uma forma que seja fácil de transmitir e compreender.