数据湖的优点 Data Lake VS Data warehouse / 数据湖与数据仓库的区别

墨蓝 2021-09-25 04:58 445阅读 0赞

### 数据湖的优点 ###

*  提供不限数据类型的存储
 *  开发人员和数据科学家可以快速动态建立数据模型、构建应用、查询数据，非常灵活。
 *  因为数据湖没有固定的结构，所以更易于访问
 *  长期存储数据的成本低廉，数据湖可以安装在低成本的硬件在，例如：
    
    在一般的X86机器上部署Hadoop
 *  因为数据湖是非常灵活的，它允许使用多种不同的处理、分析方式来让数据发挥价值，例如：数据分析、实时分析、机器学习以及SQL查询都可以。

### Data Lake VS Data warehouse ###

数据湖和数据仓库是用于存储大数据的两种不同策略，最大区别是：数据仓库是提前设计好模式（schema）的，因为**数据仓库中存储的都是结构化数据。而在数据湖中，不一定是这样的。数据湖中可以存储结构化和非结构化的数据，是无法预先定义好结构的。**

我们来进一步进行对比：

**数据模式**

**数据仓库在数据写入之前就要定义好模式（schema**），例如：我们会先建立模型、建立表结构，然后导入数据。我们可以把它称之为write-schema。而**数据湖中的数据是没有模式的，直到有用户要访问数据、使用数据才会建立schema**。我们可以把它称之为read-schema。

数据的存储位置不同

数据仓库因为是要有结构的，在企业中很多都是基于关系型模型。而数据湖通常位于分布式存储例如Hadoop或者类似的大数据存储中。

![2020123016242295.gif][]

数据源不同

数据仓库的数据来源很多时候来自于OLTP应用的结构化数据库中提取的，用于支持内部的业务部门（例如：销售、市场、运营等部门）进行业务分析。而数据湖的数据来源可以是结构化的、也可以是非结构化的，例如：业务系统数据库、 IOT设备、社交媒体、移动APP等。

**用户不同**

数据仓库主要是业务系统的大量业务数据进行统计分析，**所以会应用数据分析的部门是数据仓库的主要用户，例如：销售部、市场部、运营部、总裁办等等**。而当需要一个大型的存储，而当前没有明确的数据应用用户或者是目标，将来想要使用这些数据的人可以在使用时开始设计架构，此时，数据湖更适合。但数据湖中的数据都是原始数据，是未经整理的，这对于普通的用户几乎是不可用的。**数据湖更适合数据科学家**，因为数据科学家可以应用模型、技术发觉数据中的价值，去解决企业中的业务问题。

**数据质量**

**数据仓库是非常重数据质量的**，大家现在经常听说的数据中台，其中有一大块是数据质量管理、数据资产管理等。**数据仓库中的数据都是经过处理的。而数据湖中的数据可靠性是较差的，这些数据可能是任意状态、形态的数据。**

敏捷扩展性

数据仓库的模式一旦建立，要重新调整模式，往往代价很大，牵一发而动全身，所有相关的ETL程序可能都需要调整。而数据湖是非常灵活的，可以根据需要重新配置结构或者模式。

基于上述内容，我们可以了解到，数据湖和数据仓库的应用点是不一样的。他们是两种相对独立的数据设计模式。在一些企业中，可能会既有数据湖、又有数据仓库。数据湖并不是要替代数据仓库，而是对企业的数据管理模式进行补充。

**应用**

**数据仓库一般用于做批处理报告、BI、可视化。而数据湖主要用于机器学习、预测分析、数据探索和分析。**

数据湖应用

数据湖是用于数据存储的设计模式，但最终数据肯定是需要一种介质存储下来的。我们可以自己来选择数据湖的物理存储引擎。例如：使用Hadoop作为数据湖的物理存储引擎、或者使用AWS的S3作为存储引擎等。

但架构数据湖时，需要注意几点原则，这几点原则也将和其他数据存储方法区别开来。

*  可以加载各种源系统中的数据，并存储。
    
    任意类型的数据都可以存储。
 *  数据是以原始状态保存在数据湖中的，是几乎不需要做任何转换的。
 *  数据可以根据应用、分析的要求，进行转换成适合分析的模式

构建数据湖时，为了方便数据的管理。我们可以建立一些管理办法，例如：

*  将数据进行合理分类，例如：
    
    按照数据类型分类、按照业务内容分类、按照应用场景分类或者按照可能的用户来分类。
 *  为了方便数据湖的数据存取，要提前定义好命名规则和固定的文件目录结构。
 *  如果出现数据质量问题也可以解决掉。
 *  建立数据访问标准，可以追踪到哪些用户正在访问数据。
 *  让数据目录可以被检索到。
 *  提供一些加密、监控、授权、警报等功能。

参考：[https://blog.csdn.net/hzp666/article/details/111993102?utm\_medium=distribute.pc\_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist\_request\_id=508a9da1-97e1-474d-b30f-fd319a0b5465&depth\_1-utm\_source=distribute.pc\_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control][https_blog.csdn.net_hzp666_article_details_111993102_utm_medium_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control_dist_request_id_508a9da1-97e1-474d-b30f-fd319a0b5465_depth_1-utm_source_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control]

[2020123016242295.gif]: /images/20210923/2802be8412394bcb8b79ae7e3e7fd586.png
[https_blog.csdn.net_hzp666_article_details_111993102_utm_medium_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control_dist_request_id_508a9da1-97e1-474d-b30f-fd319a0b5465_depth_1-utm_source_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control]: https://blog.csdn.net/hzp666/article/details/111993102?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=508a9da1-97e1-474d-b30f-fd319a0b5465&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control