<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Spark on Python Brasil — Aprenda Python em Português</title>
    <link>https://python.dev.br/tags/spark/</link>
    <description>Recent content in Spark on Python Brasil — Aprenda Python em Português</description>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Sun, 21 Jun 2026 01:58:19 +0000</lastBuildDate>
    <atom:link href="https://python.dev.br/tags/spark/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Python para Engenheiro(a) de Dados: Carreira Júnior no Brasil</title>
      <link>https://python.dev.br/carreira/python-engenheiro-de-dados/</link>
      <pubDate>Sun, 21 Jun 2026 00:00:00 +0000</pubDate>
      <guid>https://python.dev.br/carreira/python-engenheiro-de-dados/</guid>
      <description>&lt;p&gt;Python se tornou a cola que conecta fontes, transformações, qualidade e entrega em qualquer stack moderna de dados. Em vagas brasileiras, engenharia de dados não é só &amp;ldquo;fazer ETL em SQL&amp;rdquo;: o código precisa ser versionado, testado, orquestrado, observável e reproduzível. Para quem busca a primeira vaga, aprender Python dentro de um fluxo de engenharia de dados é muito mais convincente do que listar bibliotecas no currículo.&lt;/p&gt;&#xA;&lt;p&gt;O radar interno de vagas do Python Brasil em 20 de junho de 2026, com &lt;strong&gt;1.855 oportunidades catalogadas&lt;/strong&gt;, mostra a força do setor. Os títulos ligados a dados somam uma fatia considerável do mercado: &lt;strong&gt;116 com &amp;ldquo;Data Engineer&amp;rdquo;&lt;/strong&gt;, &lt;strong&gt;35 com &amp;ldquo;Analista de Dados&amp;rdquo;&lt;/strong&gt;, &lt;strong&gt;23 com &amp;ldquo;Analytics Engineer&amp;rdquo;&lt;/strong&gt;, &lt;strong&gt;20 com &amp;ldquo;Cientista de Dados&amp;rdquo;&lt;/strong&gt; e &lt;strong&gt;11 + 8 + 8 com variações de &amp;ldquo;Engenheiro(a) de Dados&amp;rdquo;&lt;/strong&gt; em português. Já a presença de ferramentas específicas confirma o stack esperado: &lt;strong&gt;SQL em 1.044 vagas&lt;/strong&gt;, &lt;strong&gt;Databricks em 446&lt;/strong&gt;, &lt;strong&gt;GCP em 273&lt;/strong&gt;, &lt;strong&gt;Spark em 268&lt;/strong&gt;, &lt;strong&gt;Postgres em 191&lt;/strong&gt;, &lt;strong&gt;Airflow em 139&lt;/strong&gt;, &lt;strong&gt;Kafka em 138&lt;/strong&gt;, &lt;strong&gt;dbt em 109&lt;/strong&gt;, &lt;strong&gt;Snowflake em 101&lt;/strong&gt; e &lt;strong&gt;BigQuery em 91&lt;/strong&gt;.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
