[[382052]]

本文轉(zhuǎn)載自微信公眾號「大數(shù)據(jù)DT」，作者約翰、米斯拉 。轉(zhuǎn)載本文請聯(lián)系大數(shù)據(jù)DT公眾號。  

 01 什么是數(shù)據(jù)湖

如果需要給數(shù)據(jù)湖下一個(gè)定義，可以定義為這樣：數(shù)據(jù)湖是一個(gè)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(gè)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(jī)器學(xué)習(xí)算法，以獲得與企業(yè)運(yùn)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(shí)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(jìn)的數(shù)據(jù)科學(xué)與機(jī)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(yùn)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(gè)統(tǒng)一的模型來表示企業(yè)中所有實(shí)體。這個(gè)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(gè)實(shí)體在企業(yè)中可能有多種表示形式，因此可能不存在某個(gè)完備的模型來統(tǒng)一表示實(shí)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(biāo)來處理實(shí)體，這意味著處理實(shí)體時(shí)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(gè)實(shí)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(biāo)準(zhǔn)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(gè)問題。使用數(shù)據(jù)湖，隱式實(shí)現(xiàn)了一個(gè)較好的統(tǒng)一數(shù)據(jù)模型，而不用擔(dān)心對業(yè)務(wù)程序產(chǎn)生實(shí)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(shí)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(shí)體。

因?yàn)樵趯?shí)體表示方面更優(yōu)且更完備，數(shù)據(jù)湖確實(shí)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(dá)成其商業(yè)目標(biāo)。

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(gè)鏈接：

https://martinfowler.com/bliki/DataLake.html

• 數(shù)據(jù)湖的優(yōu)點(diǎn)

企業(yè)會在其多個(gè)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(gè)系統(tǒng)的數(shù)據(jù)。

一種最基本的策略是采用一個(gè)單獨(dú)的領(lǐng)域模型，它能精準(zhǔn)地描述數(shù)據(jù)并能代表對總體業(yè)務(wù)最有價(jià)值的那部分?jǐn)?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(jìn)行了良好定義的企業(yè)當(dāng)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(fèi)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(fèi)系統(tǒng)獲取，消費(fèi)系統(tǒng)扮演著消費(fèi)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(jī)制利用大量的企業(yè)信息。該機(jī)制的一種常見實(shí)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(jī)制中，數(shù)據(jù)湖負(fù)責(zé)捕獲數(shù)據(jù)、處理數(shù)據(jù)、分析數(shù)據(jù)，以及為消費(fèi)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(shí)現(xiàn)數(shù)據(jù)治理(data governance)與數(shù)據(jù)世系。
• 通過應(yīng)用機(jī)器學(xué)習(xí)與人工智能技術(shù)實(shí)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(gè)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(shí)現(xiàn)一個(gè)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(jī)制。

03 數(shù)據(jù)湖是如何工作的

為了準(zhǔn)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(jī)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(jìn)數(shù)據(jù)湖架構(gòu)細(xì)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(gè)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(gè)不同階段。每個(gè)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(shí)時(shí)(near-real-time)方式處理。

數(shù)據(jù)湖的實(shí)現(xiàn)需要同時(shí)支持這兩種處理方式，因?yàn)椴煌奶幚矸绞椒?wù)于不同的場景。處理方式(批處理或近實(shí)時(shí)處理)的選擇也依賴數(shù)據(jù)處理或分析任務(wù)的計(jì)算量，因?yàn)楹芏鄰?fù)雜計(jì)算不可能在近實(shí)時(shí)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(shí)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(gè)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(gè)對外公開的服務(wù)必須準(zhǔn)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(fèi)數(shù)據(jù)服務(wù)提供的數(shù)據(jù)。

當(dāng)數(shù)據(jù)從采集點(diǎn)流入數(shù)據(jù)湖時(shí)，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(jìn)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(shí)間移動(dòng)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(cuò)誤溯源。

可追溯性是通過標(biāo)識記錄來驗(yàn)證數(shù)據(jù)項(xiàng)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(shí)候，數(shù)據(jù)湖被認(rèn)為與數(shù)據(jù)倉庫是等同的。實(shí)際上數(shù)據(jù)湖與數(shù)據(jù)倉庫代表著企業(yè)想達(dá)成的不同目標(biāo)。表2-1中顯示了兩者的關(guān)鍵區(qū)別。

▲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(bǔ)的，不應(yīng)認(rèn)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(shí)現(xiàn)幾乎等價(jià)于定義一個(gè)中心數(shù)據(jù)源，所有的系統(tǒng)都可以使用這個(gè)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(gè)非常實(shí)用的方法，原因如下：

• 只有當(dāng)這些組織重新開始構(gòu)建其信息系統(tǒng)時(shí)，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(zé)任和關(guān)注點(diǎn)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(gè)整體來看待，對數(shù)據(jù)擁有關(guān)系進(jìn)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(fèi)更多的精力來對系統(tǒng)元素進(jìn)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(shí)體之間的關(guān)注點(diǎn)隔離。

這樣的數(shù)據(jù)湖也可以有獨(dú)立的機(jī)制來捕獲、處理、分析數(shù)據(jù)，并為消費(fèi)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(yàn)。

潘卡·米斯拉(Pankaj Misra)是一名技術(shù)傳播者，擁有工程學(xué)士學(xué)位，并且有超過16年跨多個(gè)業(yè)務(wù)領(lǐng)域的技術(shù)經(jīng)驗(yàn)。

本文摘編自《企業(yè)數(shù)據(jù)湖》，經(jīng)出版方授權(quán)發(fā)布。