數(shù)據(jù)湖是誰？那數(shù)據(jù)倉庫又算什么？

刀光劍影江湖情，摧枯拉朽浪滔滔。功名利祿拂衣去，山高水遠路迢迢。

數(shù)據(jù)湖初識

近兩年，為什么都開始談論起 Data Lake 這個”新名詞”了？

先說說我的想法，其實還是用戶需求驅動數(shù)據(jù)服務，大家開始關注 Data Lake 的根本原因是用戶需求發(fā)生了質(zhì)變，過去的數(shù)據(jù)倉庫模式以及相關組件沒有辦法滿足日益進步的用戶需求。

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)應該以何種方式處理和存儲。最開始，企業(yè)對種類龐雜的應用程序的管理都經(jīng)歷了一個比較自然的演化周期。

那么到底是什么樣的需求和挑戰(zhàn)驅動了技術的變革，從而導致了新技術的產(chǎn)生呢？

數(shù)據(jù)湖的定義

Wikipedia上說數(shù)據(jù)湖是一類存儲數(shù)據(jù)自然/原始格式的系統(tǒng)或存儲，通常是對象塊或者文件，包括原始系統(tǒng)所產(chǎn)生的原始數(shù)據(jù)拷貝以及為了各類任務而產(chǎn)生的轉換數(shù)據(jù)，包括來自于關系型數(shù)據(jù)庫中的結構化數(shù)據(jù)（行和列）、半結構化數(shù)據(jù)（如CSV、日志、XML、JSON）、非結構化數(shù)據(jù)（如email、文檔、PDF等）和二進制數(shù)據(jù)（如圖像、音頻、視頻）。

AWS定義數(shù)據(jù)湖是一個集中式存儲庫，允許您以任意規(guī)模存儲所有結構化和非結構化數(shù)據(jù)。

微軟的定義就更加模糊了，并沒有明確給出什么是Data Lake，而是取巧的將數(shù)據(jù)湖的功能作為定義，數(shù)據(jù)湖包括一切使得開發(fā)者、數(shù)據(jù)科學家、分析師能更簡單的存儲、處理數(shù)據(jù)的能力，這些能力使得用戶可以存儲任意規(guī)模、任意類型、任意產(chǎn)生速度的數(shù)據(jù)，并且可以跨平臺、跨語言的做所有類型的分析和處理。

但是隨著大數(shù)據(jù)技術的融合發(fā)展，早期的定義可能不再那么準確了，數(shù)據(jù)湖不斷演變，匯集了各種技術，包括數(shù)據(jù)倉庫、實時和高速數(shù)據(jù)流技術、數(shù)據(jù)挖掘、深度學習、分布式存儲和其他技術。逐漸發(fā)展成為一個可以存儲所有結構化和非結構化任意規(guī)模數(shù)據(jù)，并可以運行不同類型的大數(shù)據(jù)工具，對數(shù)據(jù)進行大數(shù)據(jù)處理、實時分析和機器學習等操作的統(tǒng)一數(shù)據(jù)管理平臺。

所以說數(shù)據(jù)倉庫不是曾經(jīng)的那個倉庫了，數(shù)據(jù)湖也不是曾經(jīng)的那個"大明湖畔的夏雨荷了"，sorry應該不是那一片綠油油的湖了。

趨勢

這里聊一個很重要的趨勢：數(shù)據(jù)實時化。

當然這里有很多其他的趨勢，比如低成本化、設計云原生化等，但總體上我還是認為數(shù)據(jù)實時化是近幾年來最熱門、最明顯且最容易讓人看到收益的一個趨勢。

數(shù)據(jù)倉庫過去的模式大家可能都很了解，將整個數(shù)據(jù)倉庫劃分為 ODS、DWD、DWS，使用 Hive 作為數(shù)據(jù)存儲的介質(zhì)，使用 Spark 或者 MR 來做數(shù)據(jù)清洗的計算。

這樣的數(shù)據(jù)倉庫設計很清晰，數(shù)據(jù)也比較容易管理，所以大家開開心心地使用這套理論和做法將近 10 年左右。

在這 10 年的時間里，主流的互聯(lián)網(wǎng)公司在數(shù)據(jù)技術上的玩法并沒有多大的改變，比如推薦需要用到的用戶畫像、電商里商品的標簽、好友傳播時用的圖、金融風控數(shù)據(jù)體系，站在更高的一個角度看，我們會發(fā)現(xiàn)，十年前做的事情，比如用戶畫像表，如果你現(xiàn)在去做推薦服務，還是需要這個表。這樣會產(chǎn)生一個什么現(xiàn)象？十年的互聯(lián)網(wǎng)行業(yè)的人才積累、知識積累、經(jīng)驗積累，讓我們可以更加容易地去做一些事情，比如十年前很難招聘到的懂推薦數(shù)據(jù)的人才，水平在如今也就是一個行業(yè)的平均值罷了。

既然這些事情變得更好做了，人才更多了，我們就期望在事情上做的更精致。因為從業(yè)務上講，我去推薦短視頻，讓用戶購買東西，這個需求是沒有止境的，是可以永遠做下去的。所以以前我可能是 T+1 才能知道用戶喜歡什么，現(xiàn)在這個需求很容易就達到之后，我希望用戶進來 10s 之后的行為就告訴我這個用戶的喜好；以前可能做一些粗粒度的運營，比如全人群投放等，現(xiàn)在可能要轉化思路，做更加精細化的運營，給每個用戶提供個性化定制的結果。

技術演進——實時化

數(shù)據(jù)實時化沒問題，但是對應到技術上是什么情況呢？是不是我們要在實時領域也搭一套類似離線數(shù)據(jù)倉庫的數(shù)據(jù)體系和模式？

是的，很多公司確實是將實時數(shù)據(jù)流劃分為了不同層級——也就是我們說的實時數(shù)倉，整體層級的劃分思路和離線倉庫類似，但是實時數(shù)據(jù)的載體就不是 Hive 或者 Hdfs 了，而是要選擇更加實時的消息隊列，比如 Kafka，這樣就帶來了很多問題，比如：

  • 消息隊列的存儲時間有限
  • 消息隊列沒有查詢分析的功能
  • 回溯效率比文件系統(tǒng)更差

除了實時數(shù)據(jù)載體的問題，還有引入實時數(shù)倉后，和離線數(shù)倉的統(tǒng)一的問題，

  • 比如實時數(shù)倉的數(shù)據(jù)治理、權限管理，是不是要單獨做一套？
  • 如何統(tǒng)一實時數(shù)據(jù)和離線數(shù)據(jù)的計算口徑？
  • 兩套數(shù)據(jù)系統(tǒng)的資源浪費嚴重，成本提高？

舉一個比較現(xiàn)實的例子，假設我們構造了一個實時計算指標，在發(fā)現(xiàn)計算錯誤后我們需要修正昨天的實時數(shù)據(jù)，這種情況下一般是另外寫一個離線任務，從離線數(shù)倉中獲取數(shù)據(jù)，再重新計算一遍，寫入到存儲里。這樣的做法意味著我們在每寫一個實時需求的同時，都要再寫一個離線任務，這樣的成本對于一個工程師是巨大的。

技術演進——降低成本化

實時系統(tǒng)的成本太大了，這也是讓很多公司對實時需求望而生畏的原因之一。所以這樣去建設實時數(shù)倉的思路肯定不行啊，等于我要招兩倍的人才（可能還不止），花兩倍的時間，才能做一個讓我的業(yè)務可能只提升 10% 的功能。從技術的角度來看，是這兩套系統(tǒng)的技術棧不一樣造成了工程無法統(tǒng)一。那么，Data Lake 就是用來解決這樣一個問題，比如我一個離線任務，能不能既產(chǎn)生實時指標，也產(chǎn)生離線指標，類似下圖這樣：

滿足上面最重要的一個前提就是我的數(shù)據(jù)源是實時的，這樣對我們的大數(shù)據(jù)存儲主要就是HDFS 和 S3 又提出了新的挑戰(zhàn)——數(shù)據(jù)實時更新，如果原有技術或者組件不能滿足需求，新的技術在需求的驅動下就此誕生。

除了計算層面上，在數(shù)據(jù)管理上，比如中間表的 schema 管理，數(shù)據(jù)權限管理，能否做到統(tǒng)一，在架構上實現(xiàn)統(tǒng)一后，我們在應對實時需求時，可以將實時離線的冗余程度降到最低，甚至能夠做到幾乎沒有多余成本。

這塊我們也在積極探索，國內(nèi)互聯(lián)網(wǎng)公司的主流做法還是停留在 【技術演進——降低成本化】 的階段，相信隨著大家的努力，很快就會出現(xiàn)優(yōu)秀且成功的實踐。

技術演進——去結構化

Pentaho的CTO James Dixon 在2011年提出了"Data Lake"的概念。在面對大數(shù)據(jù)挑戰(zhàn)時，他聲稱：不要想著數(shù)據(jù)的"倉庫"概念，想想數(shù)據(jù) 的“湖”概念。數(shù)據(jù)“倉庫”概念和數(shù)據(jù)湖概念的重大區(qū)別是：數(shù)據(jù)倉庫中數(shù)據(jù)在進入倉庫之前需要是事先歸類，以便于未來的分析。這在OLAP時代很常見，但是對于離線分析卻沒有任何意義，不如把大量的原始數(shù)據(jù)線保存下來，而現(xiàn)在廉價的存儲提供了這個可能。

數(shù)據(jù)倉庫是高度結構化的架構，數(shù)據(jù)在轉換之前是無法加載到數(shù)據(jù)倉庫的，用戶可以直接獲得分析數(shù)據(jù)。而在數(shù)據(jù)湖中，數(shù)據(jù)直接加載到數(shù)據(jù)湖中，然后根據(jù)分析的需要再轉換數(shù)據(jù)。

這里看到數(shù)據(jù)倉庫這種Schema on write 已經(jīng)不滿足日益變化的需求了，數(shù)據(jù)湖是Schema on read ，但是個人覺得與其說是Schema 還不如說是對數(shù)據(jù)的態(tài)度變了，以前我們只將對當前有用的數(shù)據(jù)抽取到數(shù)倉，而現(xiàn)在我們希望數(shù)據(jù)湖可以容納所有的數(shù)據(jù)，即使當前用不到，但是當想用的時候就有數(shù)據(jù)可以用。

數(shù)據(jù)湖與數(shù)據(jù)倉庫的區(qū)別

數(shù)據(jù)倉庫是一種成熟穩(wěn)定的技術架構。它們存儲經(jīng)過ETL 處理的結構化數(shù)據(jù)，以便完成整決策支持的過程。數(shù)據(jù)倉庫將數(shù)據(jù)組合為一種聚合、摘要形式，以在企業(yè)范圍內(nèi)使用，并在執(zhí)行數(shù)據(jù)寫入操作時寫入元數(shù)據(jù)和模式定義。數(shù)據(jù)倉庫通常擁有固定的配置；它們是高度結構化的，因此不太靈活和敏捷。數(shù)據(jù)倉庫成本與在存儲前處理所有數(shù)據(jù)相關，而且大容量存儲的費用相對較高。

相較而言，數(shù)據(jù)湖是較新的技術，擁有不斷演變的架構。數(shù)據(jù)湖存儲任何形式（包括結構化和非結構化）和任何格式（包括文本、音頻、視頻和圖像）的原始數(shù)據(jù)。根據(jù)定義，數(shù)據(jù)湖不會接受數(shù)據(jù)治理，但專家們都認為良好的數(shù)據(jù)管理對預防數(shù)據(jù)湖轉變?yōu)閿?shù)據(jù)沼澤不可或缺。數(shù)據(jù)湖在數(shù)據(jù)讀取期間創(chuàng)建模式，與數(shù)據(jù)倉庫相比，數(shù)據(jù)湖缺乏結構性，而且更靈活；它們還提供了更高的敏捷性。在檢索數(shù)據(jù)之前無需執(zhí)行任何處理，而且數(shù)據(jù)湖特意使用了更加便宜的存儲。


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

  1. 數(shù)據(jù)價值性：數(shù)倉中保存的都是結構化處理后的數(shù)據(jù)，而數(shù)據(jù)湖中可以保存原始數(shù)據(jù)也可以保存結構化處理后的數(shù)據(jù)，保證用戶能獲取到各個階段的數(shù)據(jù)。因為數(shù)據(jù)的價值跟不同的業(yè)務和用戶強相關，有可能對于A用戶沒有意義的數(shù)據(jù)，但是對于B用戶來說意義巨大，所以都需要保存在數(shù)據(jù)湖中。
  2. 數(shù)據(jù)實時性：數(shù)據(jù)湖支持對實時和高速數(shù)據(jù)流執(zhí)行 ETL 功能，這有助于將來自 IoT 設備的傳感器數(shù)據(jù)與其他數(shù)據(jù)源一起融合到數(shù)據(jù)湖中。形象的來看，數(shù)據(jù)湖架構保證了多個數(shù)據(jù)源的集成，并且不限制schema，保證了數(shù)據(jù)的精確度。數(shù)據(jù)湖可以滿足實時分析的需要，同時也可以作為數(shù)據(jù)倉庫滿足批處理數(shù)據(jù)挖掘的需要。數(shù)據(jù)湖還為數(shù)據(jù)科學家從數(shù)據(jù)中發(fā)現(xiàn)更多的靈感提供了可能。
  3. 數(shù)據(jù)保真性：數(shù)據(jù)湖中對于業(yè)務系統(tǒng)中的數(shù)據(jù)都會存儲一份“一模一樣”的完整拷貝。與數(shù)據(jù)倉庫不同的地方在于，數(shù)據(jù)湖中必須要保存一份原始數(shù)據(jù)，無論是數(shù)據(jù)格式、數(shù)據(jù)模式、數(shù)據(jù)內(nèi)容都不應該被修改。在這方面，數(shù)據(jù)湖強調(diào)的是對于業(yè)務數(shù)據(jù)“原汁原味”的保存。同時，數(shù)據(jù)湖應該能夠存儲任意類型/格式的數(shù)據(jù)。
  4. 數(shù)據(jù)靈活性：數(shù)據(jù)湖提供靈活的，面向任務的數(shù)據(jù)綁定，不需要提前定義數(shù)據(jù)模型，"寫入型schema" 和"讀取型schema"，其實本質(zhì)上來講是數(shù)據(jù)schema的設計發(fā)生在哪個階段的問題。對于任何數(shù)據(jù)應用來說，其實schema的設計都是必不可少的，即使是MongoDB等一些強調(diào)“無模式”的數(shù)據(jù)庫，其最佳實踐里依然建議記錄盡量采用相同/相似的結構。

數(shù)據(jù)倉庫強調(diào)的"寫入型schema"背后隱含的邏輯是數(shù)據(jù)在寫入之前，就需要根據(jù)業(yè)務的訪問方式確定數(shù)據(jù)的schema，然后按照既定schema，完成數(shù)據(jù)導入，帶來的好處是數(shù)據(jù)與業(yè)務的良好適配；但是這也意味著數(shù)倉的前期擁有成本會比較高，特別是當業(yè)務模式不清晰、業(yè)務還處于探索階段時，數(shù)倉的靈活性不夠。

數(shù)據(jù)湖強調(diào)的"讀取型schema"背后的潛在邏輯則是認為業(yè)務的不確定性是常態(tài)：我們無法預期業(yè)務的變化，那么我們就保持一定的靈活性，將設計去延后，讓整個基礎設施具備使數(shù)據(jù)“按需”貼合業(yè)務的能力。因此，個人認為“保真性”和“靈活性”是一脈相承的：既然沒辦法預估業(yè)務的變化，那么索性保持數(shù)據(jù)最為原始的狀態(tài)，一旦需要時，可以根據(jù)需求對數(shù)據(jù)進行加工處理。因此，數(shù)據(jù)湖更加適合創(chuàng)新型企業(yè)、業(yè)務高速變化發(fā)展的企業(yè)。同時，數(shù)據(jù)湖的用戶也相應的要求更高，數(shù)據(jù)科學家、業(yè)務分析師（配合一定的可視化工具）是數(shù)據(jù)湖的目標客戶。

總結

離線架構大行其道數(shù)十年，互聯(lián)網(wǎng)數(shù)十年技術積淀和業(yè)務發(fā)展對數(shù)據(jù)又提出新要求，實時計算技術的發(fā)展?jié)M足了人們對數(shù)據(jù)實時性的要求，但未能滿足互聯(lián)網(wǎng)人對低成本高性能的執(zhí)著追逐，技術的浪潮一波接一波，如果你錯過了朝陽和高山，請不要錯過了星辰和大海

當然，對于數(shù)據(jù)湖架構的批評也是不絕于耳。有人批評說，匯集各種雜亂的數(shù)據(jù)，應該就是數(shù)據(jù)沼澤。Martin Fowler也對數(shù)據(jù)湖中數(shù)據(jù)的安全性和私密性提出了質(zhì)疑，歷史見證了每一次新技術的誕生總是遇到萬般挫折與質(zhì)疑，但是它何曾讓你失望過。




作者：柯廣的網(wǎng)絡日志

微信公眾號：Java大數(shù)據(jù)與數(shù)據(jù)倉庫