王震，阿里云计算平台事业部 开源大数据平台 技术专家
本文根据王震在 2021开源大数据技术线上Meetup#0821 分享整理
内容框架：
- 背景介绍
- 如何使用 DLF数据湖
- 实操演示
一、背景介绍
什么是数据湖
数据湖：以一定规则形式存储各种类型的数据
- 结构化数据（ Orc 、Parquet ）
- 半结构化数据 ( Json 、Xml )
-
非结构化数据（图像 、视频）
为什么需要数据湖
1、数据规模进一步扩大
- 大数据存储需要治理
- 数据治理需要厘清数据依赖关系（血缘）
- 用户需要明确大数据整体成本(TCO)
2、数据来源多样化
- 事务数据（MySQL, SqlServer)
- 搜索数据 （SOLR）
- 批处理数据 （SPARK, HIVE）
3、数据格式多样化
- Parquet / Orc / Avro / Csv / Json / Text
4、数据分析场景多样化
- 基于语义的搜索分析
- 随机/近实时 OLAP 分析
5、数据分析用户多元化
- 分析用户角色多元化 （开发/测试/数据/BI）
- 用户数据访问合规管控诉求
数据湖能做什么
1、针对数据规模进一步扩大
- 数据湖提供 【数据血缘】服务
- 数据湖提供 【数据治理】服务
- 数据湖帮助用户明确大数据的整体成本
2、针对数据来源多样化
- DLF 提供【统一元数据】服务
• 解决多引擎元数据一致性问题
• 解决元数据使用和维护成本问题
3、针对数据格式多样化
- DLF 提供【数据入湖/元数据爬取】服务
• 支持 MYSQL/KAFKA 入湖，元数据爬取
• 支持离线/实时入湖， 满足不同业务时效要求
• 支持 DELTA/HUDI 等数据湖格式
4、针对数据分析场景多样化
- DLF 提供【统一元数据服务】
• 可以切换不同引擎 MC/EMR/DDI
• 数据探索在不同引擎之间一致
5、针对数据分析用户多元化
- 数据湖提供【访问权限控制】服务
• 多引擎下的数据访问集中授权/避免反复授权
• 解决多用户数据访问合规问题
- 数据湖提供【访问日志审计】服务
• 解决用用户数据访问合规审查问题
二、如何使用 DLF 数据湖
数据入湖
1、大量异构外部数据源【数据入湖】服务
- 全量导入 ： 批量入湖一次导入
- 增量导入 ： 实时入湖流失增量导入
2、大量现存Hadoop生态数据 【元数据爬取】服务
- 将数据导入数据湖OSS进行存储
- 元数据爬取 提取原有数据schema
数据查询
数据湖【统一元数据】服务支持多种引擎查询
- 使用数据探索（SPARK）对入湖数据进行探查
- 使用MAXCOMPUTE对数据进行深度复杂加工
- 使用Databricks DDI专用集群对数据进行探索
- 更多引擎支持中…
数据治理
一、使用【权限访问控制】服务控制数据访问
- 进行 库/表/列 级别的访问权限设置
- 统一的元数据，只需要设置一次
二、使用【数据治理】服务明确大数据总成本
- 日/周/月 级别的存储使用情况 – 及时释放过时的大存储文件
- 日/周/月 级别的计算使用情况 – 及时识别数据上的异常计算
三、实操演示
数据湖构建 DLF 体验链接：https://dlf.console.aliyun.com/
⭐点击回放链接，直接观看直播视频回放，获取讲师实例讲解：
https://developer.aliyun.com/live/247227
不错过每次直播信息、探讨更多数据湖相关技术问题，欢迎扫码加入钉钉交流群！