一文讀懂選擇數(shù)據(jù)湖還是數(shù)據(jù)倉庫

數(shù)據(jù)湖數(shù)據(jù)湖是一個中央存儲庫，可以大量存儲所有數(shù)據(jù)（結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)）。數(shù)據(jù)通常以原始格式存儲，無需首先進行處理或結(jié)構(gòu)化。在這種情況下，它可以針對手頭的目的進行優(yōu)化和處理，無論是交互式分析、下游機器學習或分析應用程序的儀表板?？梢赃@樣想，數(shù)據(jù)湖就像一個大水體，比如說一個處于自然狀態(tài)的湖。數(shù)據(jù)湖是使用來自各種來源的數(shù)據(jù)流創(chuàng)建的，然后，多個用戶可以來到湖中對其進行檢查并取樣。數(shù)據(jù)湖的美妙之處在于每個人都在查看和操作相同的數(shù)據(jù)。消除多個數(shù)據(jù)源并在數(shù)據(jù)湖中擁有一個可引用的“黃金”數(shù)據(jù)集來保障組織內(nèi)的一致性，因為用于訪問組織中智能的任何其他下游存儲庫或技術(shù)都將同步。這很關(guān)鍵。使用這種集中的數(shù)據(jù)源，就不會從不同的孤島中提取數(shù)據(jù)；組織中的每個人都有一個單一的事實來源。該模式為公司的分析生命周期提供了近乎無限的能力：攝?。簲?shù)據(jù)以任何原始格式到達并存儲以供將來分析或災難恢復。公司通常會根據(jù)隱私、生產(chǎn)訪問以及將利用傳入信息的團隊來劃分多個數(shù)據(jù)湖。

存儲：數(shù)據(jù)湖允許企業(yè)管理和組織幾乎無限量的信息。云對象存儲以較低的成本為大數(shù)據(jù)計算提供高可用性訪問。

流程：借助云計算，基礎設施現(xiàn)在只需一個API調(diào)用即可。這是從數(shù)據(jù)湖中的原始狀態(tài)獲取數(shù)據(jù)并格式化以與其他信息一起使用的時候。這些數(shù)據(jù)也經(jīng)常使用高級算法進行聚合、合并或分析。然后將數(shù)據(jù)推回數(shù)據(jù)湖以供商業(yè)智能或其他應用程序存儲和進一步使用。

消費：當我們談論自助服務數(shù)據(jù)湖時，消費通常是生命周期中的階段。此時，數(shù)據(jù)可供業(yè)務和客戶根據(jù)需要進行分析。根據(jù)復雜用例的類型，最終用戶還可以間接或直接以預測（預測天氣、財務、運動表現(xiàn)等）或感知分析（推薦引擎、欺詐檢測、基因組測序、ETC）。

數(shù)據(jù)湖支持原生流，數(shù)據(jù)流在其中被處理并在到達時可用于分析。數(shù)據(jù)管道在從數(shù)據(jù)流接收數(shù)據(jù)時轉(zhuǎn)換數(shù)據(jù)，并觸發(fā)分析所需的計算。數(shù)據(jù)湖的原生流式傳輸特性使其非常適合流式分析。數(shù)據(jù)倉庫數(shù)據(jù)倉庫發(fā)明于1980年底，專為業(yè)務應用程序生成的高度結(jié)構(gòu)化數(shù)據(jù)而設計。它將組織的所有數(shù)據(jù)集中在一起并以結(jié)構(gòu)化方式存儲。它通常用于連接和分析來自異構(gòu)來源的數(shù)據(jù)。數(shù)據(jù)倉庫架構(gòu)依賴于數(shù)據(jù)結(jié)構(gòu)來支持高性能的SQL（結(jié)構(gòu)化查詢語言）操作。數(shù)據(jù)倉庫是專門為基于SQL的訪問而構(gòu)建和優(yōu)化的，以支持商業(yè)智能，但為流分析和機器學習提供有限的功能。它們受到ETL要求的限制，需要在存儲數(shù)據(jù)之前對其進行預處理。

數(shù)據(jù)倉庫在數(shù)據(jù)用于分析之前需要順序ETL攝取和轉(zhuǎn)換數(shù)據(jù)，因此它們對于流式分析效率低下。一些數(shù)據(jù)倉庫支持“微批處理”以經(jīng)常以小增量收集數(shù)據(jù)。它支持順序ETL操作，其中數(shù)據(jù)以瀑布模型從原始數(shù)據(jù)格式流向完全轉(zhuǎn)換的集合，并針對快速性能進行了優(yōu)化。

數(shù)據(jù)倉庫以專有格式存儲數(shù)據(jù)。一旦數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，對該數(shù)據(jù)的訪問僅限于SQL和數(shù)據(jù)倉庫提供的自定義驅(qū)動程序。一些較新的數(shù)據(jù)倉庫支持半結(jié)構(gòu)化數(shù)據(jù)，例如JSON、Parquet和XML文件；與結(jié)構(gòu)化數(shù)據(jù)集相比，它們對此類數(shù)據(jù)集的支持有限且性能下降。數(shù)據(jù)倉庫不能完全支持存儲非結(jié)構(gòu)化數(shù)據(jù)。

數(shù)據(jù)湖和數(shù)據(jù)倉庫之間的區(qū)別

數(shù)據(jù)倉庫和商業(yè)智能工具支持歷史數(shù)據(jù)的報告和分析，而數(shù)據(jù)湖支持利用數(shù)據(jù)進行機器學習、預測和實時分析的新用例。雖然一些數(shù)據(jù)倉庫擴展了基于SQL的訪問以提供機器學習功能，但它們不提供原生支持來運行廣泛可用的程序化數(shù)據(jù)處理框架，例如ApacheSpark、Tensorflow等。

相比之下，數(shù)據(jù)湖是機器學習用例的理想選擇。它們不僅提供基于SQL的數(shù)據(jù)訪問，還通過Python、Scala、Java等語言為ApacheSpark和Tensorflow等編程分布式數(shù)據(jù)處理框架提供原生支持。

數(shù)據(jù)倉庫需要在數(shù)據(jù)用于分析之前順序ETL攝取和轉(zhuǎn)換數(shù)據(jù)，因此它們對于流式分析效率低下。一些數(shù)據(jù)倉庫支持“微批處理”以經(jīng)常以小增量收集數(shù)據(jù)。這種流到批處理的轉(zhuǎn)換增加了數(shù)據(jù)到達與用于分析之間的時間，使得數(shù)據(jù)倉庫不適用于多種形式的流分析。數(shù)據(jù)湖支持本地流式傳輸，其中數(shù)據(jù)流在到達時被處理并可供分析。數(shù)據(jù)管道在從數(shù)據(jù)流接收數(shù)據(jù)時轉(zhuǎn)換數(shù)據(jù)，并觸發(fā)分析所需的計算。數(shù)據(jù)湖的原生流式傳輸特性使其非常適合流式分析。

數(shù)據(jù)倉庫支持順序ETL操作，其中數(shù)據(jù)以瀑布模型從原始數(shù)據(jù)格式流向完全轉(zhuǎn)換的集合，并針對快速性能進行了優(yōu)化。相比之下，對于需要持續(xù)數(shù)據(jù)工程的用例，數(shù)據(jù)湖異常強大。在數(shù)據(jù)湖中，ETL的瀑布方法被迭代和連續(xù)的數(shù)據(jù)工程所取代。可以通過SQL和編程接口迭代地訪問和轉(zhuǎn)換數(shù)據(jù)湖中的原始數(shù)據(jù)，以滿足用例不斷變化的需求。這種對持續(xù)數(shù)據(jù)工程的支持對于交互式分析和機器學習至關(guān)重要。揭穿關(guān)于數(shù)據(jù)湖和數(shù)據(jù)倉庫的三大神話讓我們解決一些關(guān)于兩種流行的數(shù)據(jù)存儲類型的常見誤解：誤區(qū)一：只需要數(shù)據(jù)湖或數(shù)據(jù)倉庫中的一個如今，經(jīng)常聽到人們談論數(shù)據(jù)湖和數(shù)據(jù)倉庫，好像企業(yè)必須選擇其中一個。但現(xiàn)實情況是，數(shù)據(jù)湖和數(shù)據(jù)倉庫服務于不同的目的。雖然兩者都提供數(shù)據(jù)存儲，但它們使用不同的結(jié)構(gòu)，支持不同的格式，并針對不同的用途進行了優(yōu)化。通常，公司可能會從使用數(shù)據(jù)倉庫和數(shù)據(jù)湖中受益。

數(shù)據(jù)倉庫最適合希望為商業(yè)智能分析操作系統(tǒng)數(shù)據(jù)的企業(yè)。數(shù)據(jù)倉庫在這方面工作得很好，因為存儲的數(shù)據(jù)是結(jié)構(gòu)化、清理和準備分析的。同時，數(shù)據(jù)湖允許企業(yè)以任何格式存儲數(shù)據(jù)以用于幾乎任何用途，包括機器學習(ML)模型和大數(shù)據(jù)分析。

誤區(qū)2：數(shù)據(jù)湖是流行趨勢，數(shù)據(jù)倉庫不是

人工智能(AI)和ML代表了一些增長最快的云工作負載，組織越來越多地轉(zhuǎn)向數(shù)據(jù)湖來幫助確保這些項目的成功。由于數(shù)據(jù)湖允許存儲幾乎任何類型的數(shù)據(jù)（結(jié)構(gòu)化和非結(jié)構(gòu)化）而無需事先準備或清理，因此組織能夠保留盡可能多的潛在價值以供將來使用，未指定使用。此設置非常適合更復雜的工作負載，例如尚未確定具體數(shù)據(jù)類型和用途的機器學習模型。

數(shù)據(jù)倉庫可能是這兩種選擇中更為人所知的一種，但數(shù)據(jù)湖和類似類型的存儲基礎設施可能會隨著數(shù)據(jù)工作負載的趨勢而繼續(xù)流行。數(shù)據(jù)倉庫適用于某些類型的工作負載和用例，而數(shù)據(jù)湖代表了服務于其他類型工作負載的另一種選擇。

誤區(qū)三：數(shù)據(jù)倉庫易于使用，而數(shù)據(jù)湖很復雜

數(shù)據(jù)湖需要數(shù)據(jù)工程師和數(shù)據(jù)科學家的特定技能來分類和利用其中存儲的數(shù)據(jù)。數(shù)據(jù)的非結(jié)構(gòu)化性質(zhì)使得那些不了解數(shù)據(jù)湖如何工作的人更不容易訪問它。

但是，一旦數(shù)據(jù)科學家和數(shù)據(jù)工程師構(gòu)建了數(shù)據(jù)模型或管道，業(yè)務用戶通?？梢岳门c流行業(yè)務工具的集成（自定義或預構(gòu)建）來探索數(shù)據(jù)。同樣，大多數(shù)業(yè)務用戶通過連接的商業(yè)智能(BI)工具訪問存儲在數(shù)據(jù)倉庫中的數(shù)據(jù)。在第三方BI工具的幫助下，業(yè)務用戶應該能夠訪問和分析數(shù)據(jù)，無論該數(shù)據(jù)存儲在數(shù)據(jù)倉庫還是數(shù)據(jù)湖中。

構(gòu)建現(xiàn)代數(shù)據(jù)平臺的原則

盡量減少數(shù)據(jù)平臺中人員、網(wǎng)絡和磁盤操作的影響。雖然人類永遠無法像計算機一樣快，但網(wǎng)絡和磁盤操作是客觀問題。為了減少這些問題的影響，避免在各處復制數(shù)據(jù)，加強平臺讀取和處理來自不同位置的數(shù)據(jù)的能力，包括事務性、發(fā)布/子系統(tǒng)和數(shù)據(jù)倉庫系統(tǒng)，而無需當天移動。構(gòu)建現(xiàn)代數(shù)據(jù)平臺的原則是：

把事情簡單化，不要過度架構(gòu)或過度設計；

為正確的工作使用正確的工具；

讓用例決定你應該使用什么；

使用云進行擴展；

將數(shù)據(jù)與上下文分開，這將使數(shù)據(jù)能夠用于多個用例。數(shù)據(jù)湖和數(shù)據(jù)倉庫：用例DataLake已經(jīng)成為一個強大的平臺，企業(yè)可以使用它來管理、挖掘大量非結(jié)構(gòu)化數(shù)據(jù)并將其貨幣化，以獲得競爭優(yōu)勢。因此，公司對數(shù)據(jù)湖平臺的采用率急劇增加。在這種利用大數(shù)據(jù)的熱潮中，一直存在一種誤解，即DataLake旨在取代數(shù)據(jù)倉庫，而實際上，DataLake旨在補充傳統(tǒng)的關(guān)系數(shù)據(jù)庫管理系統(tǒng)(RDBMS)。

數(shù)據(jù)倉庫適用于某些類型的工作負載和用例，而數(shù)據(jù)湖代表了服務于其他類型工作負載的另一種選擇。

用例應該驅(qū)動數(shù)據(jù)平臺架構(gòu)。如果您的用例需要速度、具有已知的數(shù)據(jù)模型、完全結(jié)構(gòu)化或非常接近它，那么SQL數(shù)據(jù)倉庫就足夠了。但是，如果您需要及時靈活地對數(shù)據(jù)進行建模并將其用于多種工作負載，您應該使用數(shù)據(jù)湖。

組織將依靠多種技術(shù)的最佳解決方案，包括數(shù)據(jù)倉庫和數(shù)據(jù)湖。最終，組織的選擇需要平衡管理多種技術(shù)的復雜性和TCO與以高性能和經(jīng)濟高效的方式運行更多種類的工作負載的能力。

未來該如何選擇我們現(xiàn)在處于這樣一個階段，我們不僅可以使用數(shù)據(jù)來回顧過去，還可以了解現(xiàn)在，甚至可以預測未來。數(shù)據(jù)和工具將不斷發(fā)展，以幫助我們幾乎實時地到達那里。將數(shù)據(jù)與上下文分開。進來的數(shù)據(jù)不一定有你想用它的上下文。所以，在弄清楚你想用它做什么之前，把將數(shù)據(jù)獲取到一個位置的想法分開。因為實際上，您將對該數(shù)據(jù)進行多種用途。因此，您永遠不知道您可以將這些數(shù)據(jù)用于什么用途。因此，如果您首先獲取數(shù)據(jù)，然后弄清楚您想用它做什么，通常會導致使用這些數(shù)據(jù)產(chǎn)生更積極的結(jié)果。

數(shù)據(jù)倉庫供應商正在逐漸從他們現(xiàn)有的模型轉(zhuǎn)向數(shù)據(jù)倉庫和數(shù)據(jù)湖模型的融合。同樣，數(shù)據(jù)湖