導(dǎo)讀：數(shù)據(jù)湖概念的誕生，源自企業(yè)面臨的一些挑戰(zhàn)，如數(shù)據(jù)應(yīng)該以何種方式處理和存儲。最開始，企業(yè)對種類龐雜的應(yīng)用程序的管理都經(jīng)歷了一個比較自然的演化周期。
最開始的時候，每個應(yīng)用程序會產(chǎn)生、存儲大量數(shù)據(jù)，而這些數(shù)據(jù)并不能被其他應(yīng)用程序使用，這種狀況導(dǎo)致數(shù)據(jù)孤島的產(chǎn)生。隨后數(shù)據(jù)集市應(yīng)運而生，應(yīng)用程序產(chǎn)生的數(shù)據(jù)存儲在一個集中式的數(shù)據(jù)倉庫中，可根據(jù)需要導(dǎo)出相關(guān)數(shù)據(jù)傳輸給企業(yè)內(nèi)需要該數(shù)據(jù)的部門或個人。
然而數(shù)據(jù)集市只解決了部分問題。剩余問題，包括數(shù)據(jù)管理、數(shù)據(jù)所有權(quán)與訪問控制等都亟須解決，因為企業(yè)尋求獲得更高的使用有效數(shù)據(jù)的能力。
為了解決前面提及的各種問題，企業(yè)有很強烈的訴求搭建自己的數(shù)據(jù)湖，數(shù)據(jù)湖不但能存儲傳統(tǒng)類型數(shù)據(jù)，也能存儲任意其他類型數(shù)據(jù)，并且能在它們之上做進一步的處理與分析，產(chǎn)生最終輸出供各類程序消費。
在本文中，將介紹數(shù)據(jù)湖的一些主要方面，幫助讀者理解為什么它對企業(yè)非常重要。
作者：湯姆斯·約翰 潘卡·米斯拉
如需轉(zhuǎn)載請聯(lián)系大數(shù)據(jù)（ID：hzdashuju）
01 什么是數(shù)據(jù)湖
如果需要給數(shù)據(jù)湖下一個定義，可以定義為這樣：數(shù)據(jù)湖是一個存儲企業(yè)的各種各樣原始數(shù)據(jù)的大型倉庫，其中的數(shù)據(jù)可供存取、處理、分析及傳輸。
數(shù)據(jù)湖從企業(yè)的多個數(shù)據(jù)源獲取原始數(shù)據(jù)，并且針對不同的目的，同一份原始數(shù)據(jù)還可能有多種滿足特定內(nèi)部模型格式的數(shù)據(jù)副本。因此，數(shù)據(jù)湖中被處理的數(shù)據(jù)可能是任意類型的信息，從結(jié)構(gòu)化數(shù)據(jù)到完全非結(jié)構(gòu)化數(shù)據(jù)。
企業(yè)對數(shù)據(jù)湖寄予厚望，希望它能幫助用戶快速獲取有用信息，并能將這些信息用于數(shù)據(jù)分析和機器學(xué)習(xí)算法，以獲得與企業(yè)運行相關(guān)的洞察力。
數(shù)據(jù)湖與企業(yè)的關(guān)系
數(shù)據(jù)湖能給企業(yè)帶來多種能力，例如，能實現(xiàn)數(shù)據(jù)的集中式管理，在此之上，企業(yè)能挖掘出很多之前所不具備的能力。
另外，數(shù)據(jù)湖結(jié)合先進的數(shù)據(jù)科學(xué)與機器學(xué)習(xí)技術(shù)，能幫助企業(yè)構(gòu)建更多優(yōu)化后的運營模型，也能為企業(yè)提供其他能力，如預(yù)測分析、推薦模型等，這些模型能刺激企業(yè)能力的后續(xù)增長。
企業(yè)數(shù)據(jù)中隱藏著多種能力，然而，在重要數(shù)據(jù)能夠被具備商業(yè)數(shù)據(jù)洞察力的人使用之前，人們無法利用它們來改善企業(yè)的商業(yè)表現(xiàn)。
02 數(shù)據(jù)湖如何幫助企業(yè)
長期以來，企業(yè)一直試圖找到一個統(tǒng)一的模型來表示企業(yè)中所有實體。這個任務(wù)有極大的挑戰(zhàn)性，原因有很多，下面列舉了其中的一部分：
一個實體在企業(yè)中可能有多種表示形式，因此可能不存在某個完備的模型來統(tǒng)一表示實體。
不同的企業(yè)應(yīng)用程序可能會基于特定的商業(yè)目標來處理實體，這意味著處理實體時會采用或排斥某些企業(yè)流程。
不同應(yīng)用程序可能會對每個實體采用不同的訪問模式及存儲結(jié)構(gòu)。
這些問題已困擾企業(yè)多年，并阻礙了業(yè)務(wù)處理、服務(wù)定義及術(shù)語命名等事務(wù)的標準化。
從數(shù)據(jù)湖的角度來看，我們正在以另外一種方式來看待這個問題。使用數(shù)據(jù)湖，隱式實現(xiàn)了一個較好的統(tǒng)一數(shù)據(jù)模型，而不用擔心對業(yè)務(wù)程序產(chǎn)生實質(zhì)性影響。這些業(yè)務(wù)程序則是解決具體業(yè)務(wù)問題的“專家”。數(shù)據(jù)湖基于從實體所有者相關(guān)的所有系統(tǒng)中捕獲的全量數(shù)據(jù)來盡可能“豐滿”地表示實體。
因為在實體表示方面更優(yōu)且更完備，數(shù)據(jù)湖確實給企業(yè)數(shù)據(jù)處理與管理帶來了巨大的幫助，使得企業(yè)具備更多關(guān)于企業(yè)增長方面的洞察力，幫助企業(yè)達成其商業(yè)目標。
值得一提的是，Martin Fowler寫過一篇很有意思的文章，在這篇文章中，他對企業(yè)數(shù)據(jù)湖的一些關(guān)鍵方面做了簡明扼要的闡述，可參考下面這個鏈接：
https://martinfowler.com/bliki/DataLake.html
數(shù)據(jù)湖的優(yōu)點
企業(yè)會在其多個業(yè)務(wù)系統(tǒng)中產(chǎn)生海量數(shù)據(jù)，隨著企業(yè)體量增大，企業(yè)也需要更智能地處理這些橫跨多個系統(tǒng)的數(shù)據(jù)。
一種最基本的策略是采用一個單獨的領(lǐng)域模型，它能精準地描述數(shù)據(jù)并能代表對總體業(yè)務(wù)最有價值的那部分數(shù)據(jù)。這些數(shù)據(jù)指的是前面提到的企業(yè)數(shù)據(jù)。
對企業(yè)數(shù)據(jù)進行了良好定義的企業(yè)當然也有一些管理數(shù)據(jù)的方法，因此企業(yè)數(shù)據(jù)定義的更改能保持一致性，企業(yè)內(nèi)部也很清楚系統(tǒng)是如何共享這些信息的。
在這種案例中，系統(tǒng)被分為數(shù)據(jù)擁有者（data owner）及數(shù)據(jù)消費者（data consumer）。對于企業(yè)數(shù)據(jù)來說，需要有對應(yīng)的擁有者，擁有者定義了數(shù)據(jù)如何被其他消費系統(tǒng)獲取，消費系統(tǒng)扮演著消費者的角色。
一旦企業(yè)有了對數(shù)據(jù)和系統(tǒng)的明晰定義，就可以通過該機制利用大量的企業(yè)信息。該機制的一種常見實現(xiàn)策略是通過構(gòu)建企業(yè)級數(shù)據(jù)湖來提供統(tǒng)一的企業(yè)數(shù)據(jù)模型，在該機制中，數(shù)據(jù)湖負責捕獲數(shù)據(jù)、處理數(shù)據(jù)、分析數(shù)據(jù)，以及為消費者系統(tǒng)提供數(shù)據(jù)服務(wù)。
數(shù)據(jù)湖能從以下方面幫助到企業(yè)：
實現(xiàn)數(shù)據(jù)治理（data governance）與數(shù)據(jù)世系。
通過應(yīng)用機器學(xué)習(xí)與人工智能技術(shù)實現(xiàn)商業(yè)智能。
預(yù)測分析，如領(lǐng)域特定的推薦引擎。
信息追蹤與一致性保障。
根據(jù)對歷史的分析生成新的數(shù)據(jù)維度。
有一個集中式的能存儲所有企業(yè)數(shù)據(jù)的數(shù)據(jù)中心，有利于實現(xiàn)一個針對數(shù)據(jù)傳輸優(yōu)化的數(shù)據(jù)服務(wù)。
幫助組織或企業(yè)做出更多靈活的關(guān)于企業(yè)增長的決策。
在本節(jié)中，我們討論數(shù)據(jù)湖應(yīng)該具備哪些能力。后續(xù)將會討論和評述數(shù)據(jù)湖是如何工作的，以及應(yīng)該如何去理解其工作機制。
03 數(shù)據(jù)湖是如何工作的
為了準確理解數(shù)據(jù)湖能給企業(yè)帶來哪些好處，理解數(shù)據(jù)湖的工作機制以及構(gòu)建功能齊全的數(shù)據(jù)湖需要哪些組件就顯得尤為重要了。在一頭扎進數(shù)據(jù)湖架構(gòu)細節(jié)之前，不妨先來了解數(shù)據(jù)湖背景中的數(shù)據(jù)生命周期。
在一個較高的層面來看，數(shù)據(jù)湖中數(shù)據(jù)生命周期如圖2-1所示。
▲圖2-1 數(shù)據(jù)湖的生命周期
上述生命周期也可稱為數(shù)據(jù)在數(shù)據(jù)湖中的多個不同階段。每個階段所需的數(shù)據(jù)和分析方法也有所不同。數(shù)據(jù)處理與分析既可按批量（batch）方式處理，也可以按近實時（near-real-time）方式處理。
數(shù)據(jù)湖的實現(xiàn)需要同時支持這兩種處理方式，因為不同的處理方式服務(wù)于不同的場景。處理方式（批處理或近實時處理）的選擇也依賴數(shù)據(jù)處理或分析任務(wù)的計算量，因為很多復(fù)雜計算不可能在近實時處理模式中完成，而在一些案例中，則不能接受較長的處理周期。
同樣，存儲系統(tǒng)的選擇還依賴于數(shù)據(jù)訪問的要求。例如，如果希望存儲數(shù)據(jù)時便于通過SQL查詢訪問數(shù)據(jù)，則選擇的存儲系統(tǒng)必須支持SQL接口。
如果數(shù)據(jù)訪問要求提供數(shù)據(jù)視圖，則涉及將數(shù)據(jù)存儲為對應(yīng)的形式，即數(shù)據(jù)可以作為視圖對外提供，并提供便捷的可管理性和可訪問性。
最近出現(xiàn)的一個日漸重要的趨勢是通過服務(wù)（service）來提供數(shù)據(jù)，它涉及在輕量級服務(wù)層上對外公開數(shù)據(jù)。每個對外公開的服務(wù)必須準確地描述服務(wù)功能并對外提供數(shù)據(jù)。此模式還支持基于服務(wù)的數(shù)據(jù)集成，這樣其他系統(tǒng)可以消費數(shù)據(jù)服務(wù)提供的數(shù)據(jù)。
當數(shù)據(jù)從采集點流入數(shù)據(jù)湖時，它的元數(shù)據(jù)被捕獲，并根據(jù)其生命周期中的數(shù)據(jù)敏感度從數(shù)據(jù)可追溯性、數(shù)據(jù)世系和數(shù)據(jù)安全等方面進行管理。
數(shù)據(jù)世系被定義為數(shù)據(jù)的生命周期，包括數(shù)據(jù)的起源以及數(shù)據(jù)是如何隨時間移動的。它描述了數(shù)據(jù)在各種處理過程中發(fā)生了哪些變化，有助于提供數(shù)據(jù)分析流水線的可見性，并簡化了錯誤溯源。
可追溯性是通過標識記錄來驗證數(shù)據(jù)項的歷史、位置或應(yīng)用的能力。
——維基百科
04 數(shù)據(jù)湖與數(shù)據(jù)倉庫的區(qū)別
很多時候，數(shù)據(jù)湖被認為與數(shù)據(jù)倉庫是等同的。實際上數(shù)據(jù)湖與數(shù)據(jù)倉庫代表著企業(yè)想達成的不同目標。表2-1中顯示了兩者的關(guān)鍵區(qū)別。
數(shù)據(jù)湖 | 數(shù)據(jù)倉庫 |
能處理所有類型的數(shù)據(jù)，如結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)等，數(shù)據(jù)的類型依賴于數(shù)據(jù)源系統(tǒng)的原始數(shù)據(jù)格式。 | 只能處理結(jié)構(gòu)化數(shù)據(jù)進行處理，而且這些數(shù)據(jù)必須與數(shù)據(jù)倉庫事先定義的模型吻合。 |
擁有足夠強的計算能力用于處理和分析所有類型的數(shù)據(jù)，分析后的數(shù)據(jù)會被存儲起來供用戶使用。 | 處理結(jié)構(gòu)化數(shù)據(jù)，將它們或者轉(zhuǎn)化為多維數(shù)據(jù)，或者轉(zhuǎn)換為報表，以滿足后續(xù)的高級報表及數(shù)據(jù)分析需求。 |
數(shù)據(jù)湖通常包含更多的相關(guān)的信息，這些信息有很高概率會被訪問，并且能夠為企業(yè)挖掘新的運營需求。 | 數(shù)據(jù)倉庫通常用于存儲和維護長期數(shù)據(jù)，因此數(shù)據(jù)可以按需訪問。 |
▲表2-1 數(shù)據(jù)湖與數(shù)據(jù)倉庫的關(guān)鍵區(qū)別
從表2-1來看，數(shù)據(jù)湖與數(shù)據(jù)倉庫的差別很明顯。然而，在企業(yè)中兩者的作用是互補的，不應(yīng)認為數(shù)據(jù)湖的出現(xiàn)是為了取代數(shù)據(jù)倉庫，畢竟兩者的作用是截然不同的。
05 數(shù)據(jù)湖的構(gòu)建方法
不同的組織有不同的偏好，因此它們構(gòu)建數(shù)據(jù)湖的方式也不一樣。構(gòu)建方法與業(yè)務(wù)、處理流程及現(xiàn)存系統(tǒng)等因素有關(guān)。
簡單的數(shù)據(jù)湖實現(xiàn)幾乎等價于定義一個中心數(shù)據(jù)源，所有的系統(tǒng)都可以使用這個中心數(shù)據(jù)源來滿足所有的數(shù)據(jù)需求。雖然這種方法可能很簡單，也很劃算，但它可能不是一個非常實用的方法，原因如下：
只有當這些組織重新開始構(gòu)建其信息系統(tǒng)時，這種方法才可行。
這種方法解決不了與現(xiàn)存系統(tǒng)相關(guān)的問題。
即使組織決定用這種方法構(gòu)建數(shù)據(jù)湖，也缺乏明確的責任和關(guān)注點隔離（responsibility and separation of concerns）。
這樣的系統(tǒng)通常嘗試一次性完成所有的工作，但是最終會隨著數(shù)據(jù)事務(wù)、分析和處理需求的增加而分崩離析。
更好的構(gòu)建數(shù)據(jù)湖的策略是將企業(yè)及其信息系統(tǒng)作為一個整體來看待，對數(shù)據(jù)擁有關(guān)系進行分類，定義統(tǒng)一的企業(yè)模型。
這種方法雖然可能存在流程相關(guān)的挑戰(zhàn)，并且可能需要花費更多的精力來對系統(tǒng)元素進行定義，但是它仍然能夠提供所需的靈活性、控制和清晰的數(shù)據(jù)定義以及企業(yè)中不同系統(tǒng)實體之間的關(guān)注點隔離。
這樣的數(shù)據(jù)湖也可以有獨立的機制來捕獲、處理、分析數(shù)據(jù)，并為消費者應(yīng)用程序提供數(shù)據(jù)服務(wù)。
關(guān)于作者：湯姆斯·約翰（Tomcy John）是一名企業(yè)級Java技術(shù)專家，擁有工學(xué)學(xué)士學(xué)位，并且有超過14年多行業(yè)的開發(fā)經(jīng)驗。
聯(lián)系客服
