什么是数据湖 Data Lake ？

背景：随着近几年机器学习的兴起对数据的需求更加灵活，如果从数据仓库中提数会有一些问题。比如：数据都是结构化的（做算法的经常要理解数仓模型，甚至要深入到做了什么业务处理，很多处理都不是他们想要的）；数据是经过处理的可能并不是算法想要的结果；算法同学与数仓开发同学沟通成本较大等。

 

数据湖定义：

是一个以原始格式(通常是对象块或文件)存储数据的系统或存储库。数据湖通常是所有企业数据的单一存储。用于报告、可视化、高级分析和机器学习等任务。数据湖可以包括来自关系数据库的结构化数据(行和列)、半结构化数据(CSV、日志、XML、JSON)、非结构化数据(电子邮件、文档、pdf)和二进制数据(图像、音频、视频)。

数据湖的特点

1、原始格式

数据仓库里是瓶装的水——清洁的、打包好的、摆放整齐方便取用的；数据湖是原生态的水——它是未经处理的，原汁原味的。

2、单一存储

存储库中会汇总多种数据源，是一个单一库。是由多个数据湖填充而成的水上花园（Water Garden）多个系统的数据进行关联不是数据湖。

3、多用途

用于报告、可视化、高级分析和机器学习。数据湖中的水从源头流入湖中，各种用户都可以来湖里获取、蒸馏提纯这些水（数据）

数据湖的优势

1、轻松地收集数据：Schema On Read

2、从数据中发掘更多价值，更适用于机器学习

3、消除数据孤岛

4、具有更好的扩展性和敏捷性

数据湖和数据仓库的对比

综述：

数据仓库是一个优化的数据库，用于分析来自事务系统和业务线应用程序的关系数据。事先定义数据结构和 Schema 以优化快速 SQL 查询，其中结果通常用于操作报告和分析。数据经过了清理、丰富和转换，因此可以充当用户可信任的“单一信息源”。

数据湖有所不同，因为它存储来自业务线应用程序的关系数据，以及来自移动应用程序、IoT 设备和社交媒体的非关系数据。捕获数据时，未定义数据结构或 Schema。这意味着您可以存储所有数据，而不需要精心设计也无需知道将来您可能需要哪些问题的答案。您可以对数据使用不同类型的分析（如 SQL 查询、大数据分析、全文搜索、实时分析和机器学习）来获得见解。

数据湖并不能替代数据仓库，数据仓库在高效的报表和可视化分析中仍有优势。

说明：图片和文字部分来自亚马逊和网络，由作者整理。