3 月 11 日那篇文章（），小枣君介绍了什么是“数据仓库”和“数据集市”。今天这篇，我再来说说什么是“数据湖”。

█  什么是数据湖

数据湖，英文名叫做 Data Lake。它和数据库、数据仓库一样，是一种存储和处理数据的平台。

或者，更准确来说，数据湖是一个技术体系。它不是某一个具体的产品，而是一种架构，包括了很多的技术和组件（下文会详细说）。

我们还是先从数据湖的发展历程开始说起吧。

2010 年 10 月，在纽约的 Hadoop World 大会上，Pentaho 公司创始人及 CTO 詹姆斯・迪克森（James Dixon）率先提出了数据湖的概念。当时，他之所以提出数据湖，主要是为了推广自家的 Pentaho 产品以及 Hadoop。

小枣君之前介绍过 Hadoop（）。它是大数据的一个核心技术，诞生于 2006 年，具有极强的数据存储和处理能力。

詹姆斯・迪克森的 Pentaho 产品，是一个 BI（Business Intelligence，商业智能）分析组件，基于 Hadoop 技术。

介绍数据仓库的时候，小枣君提到过，数据仓库会把众多数据源的数据汇集起来，进行 ETL（抽取 Extract、转换 Transform 和加载 Load）三板斧操作，然后存储，用于 BI、SQL 查询、数据挖掘、数据分析等目的。

换言之，Pentaho，是将当时新兴的 Hadoop 技术应用于数据仓库的一个尝试，主要是为了解决数据仓库的能力不足问题。

数据仓库正式诞生于 1990 年左右，到 2010 年，已经无法跟上时代。

数据仓库（包括数据集市），会对来自数据源的数据进行预处理和筛选。所以，在进行数据分析和数据价值挖掘时，会面临几个问题：

1、数据被预处理过，只保留了指定的属性。分析时，只能回答之前预设的问题。

2、数据被筛选过，很多底层的细节被筛除了。分析时，无法获得这些信息。

3、随着当时互联网的高速发展，非结构化数据（电子邮件，文档，PDF）以及半结构化数据（CSV，日志，XML，JSON）迅猛增长。数据仓库主要以处理结构化的数据（关系型数据库，例如数据表格、行与列）为主，无法很好地满足需求。

换言之，数据仓库，是把所有数据源的数据，按一开始制定的规则，进行了处理，变成了产品，缺乏灵活性。

而数据湖，是利用 Hadoop 等大数据技术的处理能力和成本优势，将所有数据源的数据，不做预处理，全部都存起来。

这就解决了前面提到的几个问题：

1、数据湖中的数据接近原生，内容齐全，属性完整。应用层在使用数据时，可以基于需求，进行灵活设计。

2、数据信息未被筛选，底层细节都在，可以尽可能还原业务（也是为了更好地分析）。

3、结构化、非结构化、半结构化，所有数据都能保存和处理，满足互联网时代发展的需要。

数据湖还解决了一个重要问题，那就是数据孤岛。很显然，企业内部各个业务系统的数据都放在一起了，当然也就没有孤岛了，可以开发横跨多个系统的数据应用。

我们可以举个买菜炒菜的例子。

数据仓库，因为存储成本高，所以，买了菜之后，会进行预处理，变成指定的炒菜素材，例如土豆块、菜叶、肉丝等。炒菜时，厨师直接取用。如果厨师想要做一些特殊的菜，一些原生态的菜，就没办法了。如果厨师想要烧鱼，也没办法。

数据湖，就是你拥有了一个超大且便宜的空间，可以保存你购买的所有食材。食材的品种非常丰富，且不需要做任何预处理。各个厨师可以根据自己的需要，在炒菜时自行处理。厨师拥有了更多的灵活度，菜品也更加丰富。

数据湖的出现，满足了企业用户存储全域原始数据的需求。

2011 年，CITO Research 网站的 CTO 和作家丹・伍德斯（Dan Woods）也力推数据湖的概念。他指出：“如果我们把数据比作大自然的水，那么各个江川河流的水未经加工，源源不断地汇聚到数据湖中。”

很多人也许会问，为什么叫“数据湖”？而不是“数据池”、“数据河”、“数据海”?

因为“数据池”太小，体现不出数据的大量。“数据河”是流动的，数据无法保存。“数据海”则是因为没有边界。数据湖是属于企业的，需要边界，需要注意隐私和安全。

█ 数据湖的主要特征

我们再简单地梳理一下数据湖的优点。

第一，数据的多样性。

数据湖可以存储多种类型的数据，包括结构化数据、半结构化数据和非结构化数据。这符合了物联网（IoT）、社交媒体和移动互联网的时代需求。

最近这几年，AI 特别火爆。数据是 AI 的三要素（算力、算法、数据）之一。数据湖有利于企业发展 AI 业务，例如机器学习、生成式人工智能等。

第二，处理的实时性。

传统的数据仓库，采用的是 —— 写时模式（Schema-On-Write）。数据加载到数据仓库时，首先需要定义好它。

数据湖，采用的是 —— 读时模式（Schema-On-Read）。只需加载原始数据，然后，当准备使用数据时，再定义它。

这是两种截然不同的数据处理方法。数据湖简化了前期操作，数据准备的周期更短，可以灵活满足更多不同上层业务的高效率分析诉求。

第三，容量更大。

数据湖具有海量的数据存储能力。数据湖基于分布式存储系统构建，能够灵活扩展，可以轻松应对 PB 级甚至 EB 级的数据量。

第四，成本更低。

数据湖往往基于开源软件和廉价硬件构建，而且部署在云环境中，成本大幅下降，减少了企业的投资。

第五，应用的多样化。

前面说了，数据湖保留了数据的原始特征和细节，所以，为后续的灵活分析和挖掘提供了丰富素材。企业用户可以进行批处理分析、实时流处理分析和交互式分析，满足不同业务场景的需求。

█ 数据湖面对的挑战

说完了优点，我们再来看看挑战。

建设和使用数据湖，不是一件简单的事情。很多企业盲目跟风建设数据湖，最终却没有达到效果。

想要拥抱数据湖，面对的挑战主要来自两个方面。

第一，是性能。

数据湖的数据量很大，数据格式也很杂。缺乏一致的数据结构和 ACID（原子性、一致性、隔离性和持久性）事务支持，导致数据湖在满足报告和分析需求时性能不佳。

第二，是数据治理。

数据治理是数据湖的最核心要素（没有之一），指对企业中数据的可用性、完整性和安全性的全面管理，以提升数据的质量和可用性。

前面提到，我们可以将数据源的数据“倒入”数据湖，无需进行处理。但是，“不处理”并不代表“不治理”、“不管理”。

在介绍数据仓库的时候，我们提到过元数据。元数据，就是管理数据的数据。元数据中包括了数据存储位置、数据格式、数据模式、数据分布等信息。

数据湖拥有海量数据，管理元数据显得更为重要。

数据湖会建立一个数据目录。数据目录是元数据的集合，可以理解为是一张“数据清单”。通过数据目录，用户可以搜索和发现数据湖中的数据，提高数据的可访问性和可发现性。

具体来说，基于数据目录，结合数据管理和搜索工具，上层计算引擎可以直接获取数据的关键信息，进行数据处理。

数据目录，还可以对数据湖中的数据进行访问控制，控制的力度可以做到“库表列行”等不同级别。

除了数据目录之外，数据治理还需要关注数据质量和数据合规。

数据湖存储的数据，具有不同的质量和精度，可能导致分析结果不准确、不可靠。因此，需要建立数据质量系统，确保数据的完整性、准确性、一致性以及标准化。

数据合规，很容易理解，就是数据存储和使用必须符合法律法规，例如 GDPR (通用数据保护条例)、HIPAA (健康保险便利和责任法案) 等。数据合规一旦出问题，可能导致数据泄露、法律诉讼或巨额罚款，损害企业的声誉，也带来经济上的损失。

特别值得一提的是，如果数据湖没有得到妥善的治理，就会变成庞大的“数据沼泽”，根本没办法发挥数据的价值，反而变成累赘。

█ 数据湖的架构

前面说过，数据湖是一个框架和技术体系。它由多个互相协作的组件和产品组成的。

围绕数据湖的技术组件和产品，一般来自四类厂商：

・开源解决方案

・云服务商（如亚马逊 AWS、微软 Azure、Google Cloud、阿里云、华为云等）

・专业数据库出身的厂商

・一些初创企业或团队

不同的公司，会开发不同的组件和产品，应用于不同的层级。少部分公司，能够提供完整的全套解决方案，或者基于云服务的全托管方案。

出于成本的考虑，很多企业可能更倾向于使用开源产品。开源数据湖方案比较知名的分别是：Delta Lake（DataBricks 公司）、Apache Iceberg、Apache Hudi 和 Apache Paimon。

数据湖概念被提出来之后，云服务厂商特别激动，也特别热情，吆喝得最卖力。原因很简单，数据湖想要实现海量数据的低成本存储，一般会用到分布式存储和云存储服务。而且，云服务厂商可以提供前面提到的全托管方案。

不同的方案提供商，会提出不同的数据湖架构。但是，基本上都包括四个主要层次：

数据摄取层（数据采集层）：负责从各种数据源收集数据，并将其传输到数据湖中。

数据存储层：以原始格式存储大规模的数据。

数据管理层：对数据进行管理和组织，包括数据的分类、编目、索引等功能。还要负责数据的安全和合规。

数据访问层（数据分析层）：提供各种工具和框架，支持用户对数据湖中的数据进行查询、统计分析、机器学习等操作。

好了，看到这里，大家一定会发现，数据仓库和数据湖有各自的优点和缺点。

那么，有没有办法，可以将两者之间的优点相结合呢？

当然有的，那就是数据湖仓，也叫湖仓一体。

下一期，我们就来详细了解一下，到底什么是数据湖仓（湖仓一体）。这也是鲜枣课堂大数据专题的最后一期。敬请期待！

本文来自微信公众号：，作者：小枣君

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家包含外链的文章均包含本声明。