今天，每秒都在生成 TB 和 PB 的數(shù)據(jù)，為這些海量數(shù)據(jù)集尋找存儲解決方案至關重要。復雜的機器和技術現(xiàn)在收集了令人難以置信的廣泛數(shù)據(jù)——每天超過 2.5 萬億字節(jié)！— 來自設備傳感器、日志、用戶、消費者和其他地方。數(shù)據(jù)存儲并不像以前看起來那么簡單。在管理和存儲數(shù)據(jù)時，數(shù)據(jù)管理者需要考慮使用數(shù)據(jù)湖或數(shù)據(jù)倉庫作為存儲庫。

隨著數(shù)據(jù)量、速度和種類的增加，選擇合適的數(shù)據(jù)平臺來管理數(shù)據(jù)從未像現(xiàn)在這樣重要。它應該是迄今為止?jié)M足我們需求的古老數(shù)據(jù)倉庫，還是應該是承諾支持任何類型工作負載的任何類型數(shù)據(jù)的數(shù)據(jù)湖？ 在這里，我們深入探討了這兩個平臺。

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)（結構化和非結構化數(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構化。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。

可以這樣想，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都將同步。這很關鍵。

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：

攝取：數(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構化數(shù)據(jù)而設計。它將組織的所有數(shù)據(jù)集中在一起并以結構化方式存儲。它通常用于連接和分析來自異構來源的數(shù)據(jù)。

數(shù)據(jù)倉庫架構依賴于數(shù)據(jù)結構來支持高性能的 SQL（結構化查詢語言）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動程序。一些較新的數(shù)據(jù)倉庫支持半結構化數(shù)據(jù)，例如 JSON、Parquet 和 XML 文件；與結構化數(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構化數(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 Apache Spark、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 Apache Spark 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?？梢酝ㄟ^ SQL 和編程接口迭代地訪問和轉換數(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重要。

揭穿關于數(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構，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)是結構化、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)（結構化和非結構化）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)的非結構化性質使得那些不了解數(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)工程師構建了數(shù)據(jù)模型或管道，業(yè)務用戶通常可以利用與流行業(yè)務工具的集成（自定義或預構建）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

Data Lake 已經(jīng)成為一個強大的平臺，企業(yè)可以使用它來管理、挖掘大量非結構化數(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 Data Lake 旨在取代數(shù)據(jù)倉庫，而實際上，Data Lake 旨在補充傳統(tǒng)的關系數(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。

用例應該驅動數(shù)據(jù)平臺架構。

如果您的用例需要速度、具有已知的數(shù)據(jù)模型、完全結構化或非常接近它，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)生更積極的結果。

數(shù)據(jù)倉庫供應商正在逐漸從他們現(xiàn)有的模型轉向數(shù)據(jù)倉庫和數(shù)據(jù)湖模型的融合。同樣，數(shù)據(jù)湖的供應商現(xiàn)在正在擴展到數(shù)據(jù)倉庫領域，雙方正在趨同。例如，BigQuery 現(xiàn)在允許組織在 Amazon S3 上查詢數(shù)據(jù)。同樣，Databricks 和 Qubole 等數(shù)據(jù)湖平臺現(xiàn)在正在果斷地轉向數(shù)據(jù)倉庫用例。您可以使用 ACID 屬性、事務一致性、快照等來管理存儲，并將查詢引擎更多地與存儲管理集成，為客戶創(chuàng)建湖倉模式。數(shù)據(jù)湖和數(shù)據(jù)倉庫之間的融合不僅僅是在談論，而是正在現(xiàn)實中應用。

審核編輯：劉清