数据湖和数据仓库区别介绍

数据湖是用来存储什么样的数据呢？

数据湖是以什么样的存储模式存储数据呢？是关系型数据库的模式吗？

数据湖与Delta Lake的关系是？

数据湖可以替代数据仓库吗？

简单对比下数据湖与数据仓库。

数据湖存储起来非常方便，为了保证敏捷开发，是无需管理的，对吗？

Apache Hudi是干什么的？仅仅实现增删改查吗？

基于Hudi的数据湖数据是以什么方式存储的？

Hudi有元数据吗？元数据存储在哪儿？

Hudi是以什么方式与Spark进行整合的？

1

从数据仓库到数据湖

 

1

仓库和湖泊

 

仓库是人为提前建造好的，有货架，还有过道，并且还可以进一步为放置到货架的物品指定位置。

而湖泊是液态的，是不断变化的、没有固定形态的，基本上是没有结构的，湖泊可以是由河流 、小溪和其他未被任何处理的水源维持。湖泊是不需要预先指定结构的。

 

2

什么是数据湖？

 

数据湖（Data Lake）和数据库、数据仓库一样，都是数据存储的设计模式。数据库和数据仓库会以关系型的方式来设计存储、处理数据。但数据湖的设计理念是相反的，数据仓库是为了保障数据的质量、数据的一致性、数据的重用性等对数据进行结构化处理。

 

数据湖是一个数据存储库，可以使用数据湖来存储大量的原始数据。现在企业的数据仓库都会通过分层的方式将数据存储在文件夹、文件中，而数据湖使用的是平面架构来存储数据。我们需要做的只是给每个数据元素分配一个唯一的标识符，并通过元数据标签来进行标注。当企业中出现业务问题时，可以从数据湖中查询数据，然后分析业务对应的那一小部分数据集来解决业务问题。

 

了解过Hadoop的同学知道，基于Hadoop可以存储任意形式的数据。所以，很多时候数据湖会和Hadoop关联到一起。例如：把数据加载Hadoop中，然后将数据分析、和数据挖掘的工具基于Hadoop进行处理。数据湖越来越多的用于描述任何的大型数据池，数据都是以原始数据方式存储，知道需要查询应用数据的时候才会开始分析数据需求和应用架构。

 

数据湖是描述数据存储策略的方式，并不与具体的某个技术框架关联。数据库、数据仓库也一样。它们都是数据的管理策略。

 

数据湖是专注于原始数据保真以及低成本长期存储的存储设计模式，它相当于是对数据仓库的补充。数据湖是用于长期存储数据容器的集合，通过数据湖可以大规模的捕获、加工、探索任何形式的原始数据。通过使用一些低成本的技术，可以让下游设施可以更好地利用，下游设施包括像数据集市、数据仓库或者是机器学习模型。

3

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。

4

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。

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。

 

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。

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。

 

5

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。

 

6

不要让数据湖变成一潭死水

 

如果数据湖没有任何管理办法，不进行任何的治理，那么所有的数据将会是不可追溯的，再一大堆的数据，但杂乱不堪。数据湖将不再是数据湖，变成了一潭死水，或者泥潭，白白浪费大量有价值的数据。如果数据无人维护管理，数据湖最终变成了数据坟墓。这就尴尬了。所以，一旦建设了数据湖，一定要配有管理人员。对数据湖的治理负责。

 

除了具备基本的存储、敏捷可扩展特性外，一个管理良好的数据湖还应该具备以下特征：

• 提供方便进行访问、操作的API接口，应该Data Lake的应用场景很多，很灵活，所以应该提供方便提数的API接口

• 具备有访问控制机制。

  可以方便数据的owner控制数据湖中数据的访问权限，并支持一些加密、网络安全等功能。

• 具备搜索和分类功能。

  如果没法方便地进行数据湖数据的组织，以及快速检索数据，数据湖无法最大化地发挥作用。

• 数据湖能够提供方便进行处理和分析层，数据分析师、数据科学家、机器学习算法工程师能够集中访问。

  数据湖还应该提供统一、易用的访问方式。

2

了解Apache Hudi

 

1

介绍

 

打开Hudi的官网，映入眼帘的是“Apache Hudi通过分布式文件系统——HDFS或者云存储”来摄取、管理大型分析型数据集。也就是Hudi是可以借助于HDFS之上，提供了一些提取、管理功能。

 

这是Hudi数据湖的基础架构。

简单解释下：

1. 通过Kafka、Sqoop、DeltaStreammer、Flink、Spark等工作，将数据摄取到数据湖的数据存储，例如：

   我们可以使用HDFS作为数据湖的数据存储

2. 基于HDFS可以构建Hudi的数据湖

3. Hudi提供统一的访问Spark数据源

4. 外部通过不同引擎，例如：

   Spark、Presto、Hive、Impala、Aliyun DLA、AWS Redshit访问接口

Hudi提供的功能

• 支持使用索引方式Upsert

• 可以原子性的发布数据并支持回滚

• 写入和查询使用快照进行隔离，保证数据的一致性

• 可以用用Savepoint进行数据恢复

• 支持基于统计数据管理文件大小和分布

• 支持对基于行、列的数据进行异步压缩

• 支持时间轴元数据进行数据血统追踪

 

可以说，Hudi支持了数据湖的数据存储以及一定的管理功能。

2

Github热度对比Delta Lake

Hudi很自信地把GITHUB的Star、Fork、Watch放上了官网。

对比下Delta Lake

看Watch，我们可以知道Hudi的关注度是很高的。再对比一下PR、和commit。

Hudi

Delta Lake

大家感受一下吧。

 

 

 

3

快速体验Hudi

 

Hudi是基于Spark的2.x版本，出于开发简单性考虑，本次我将基于Hadoop，用IDEA来开发Hudi的入门示例。因为是基于Hudi构建数据湖，所以，我们先准备数据存入到Hudi中，然后再进行查询，全程基于Spark SQL来操作。

 

版本信息：

• Spark 2.4.7

• Scala 2.12

• Hudi 0.6.0

• Hadoop 2.7.5

1

导入Maven依赖

 

    2.4.7    2.12    2.7.5    0.6.0
            org.apache.spark        spark-core_${scala-version}        ${spark-version}                    org.apache.spark        spark-sql_${scala-version}        ${spark-version}    
            org.apache.commons        commons-lang3        3.1                    org.apache.hadoop        hadoop-client        ${hadoop-version}    
            org.apache.hudi        hudi-spark-bundle_${scala-version}        ${hudi-version}    
            org.apache.httpcomponents        httpclient        4.5.11    
            org.apache.spark        spark-avro_${scala-version}        ${spark-version}    
    src/main/scala

 

2

编写写入数据实现

 

•  
•  

/*** 出于简单，此处使用一个用户访问日志WebLog作为测试数据* @param ip IP地址* @param id 每次访问的唯一ID* @param url 用户访问的URL* @param date 访问日期*/case class WebLog(ip:String, id:String, url:String, date:String)

object SparkHudiFirst {
    def main(args: Array[String]): Unit = {
    

// 创建SparkSQL执行环境val spark = SparkSession.builder().master("local[*]").config("spark.serializer", "org.apache.spark.serializer.KryoSerializer").config("spark.default.parallelism", 4).appName("Spark Hudi Load").getOrCreate()

// 构建元数据val tableName = "hudi_weblog"val hdfsPath = "/datalake/test/hudi_first"

// 基于内存测试数据构建DataFrame// 生成10000条测试数据val MAX_DATA_NUM = 10000val r = new Random()

val logList = (1 to MAX_DATA_NUM).map(n => {
    val ip = (1 to 4).map(x => (r.nextInt(255) + 1) % 255).toList.mkString(".")val id = UUID.randomUUID().toStringval url = s"/pro/goods/${RandomStringUtils.randomAlphanumeric(10)}.html"val date = s"2021-${(r.nextInt(13) + 1) % 13}-${(r.nextInt(32) + 1) % 32}"

WebLog(ip, id, url, date)})

import spark.implicits._

val weblogDF = spark.createDataFrame(logList).select($"ip", $"id", $"url", $"date", $"date".substr(0, 4).as("year"))

weblogDF.write.format("hudi").options(getQuickstartWriteConfigs).option(PRECOMBINE_FIELD_OPT_KEY, "date").option(RECORDKEY_FIELD_OPT_KEY, "id").option(PARTITIONPATH_FIELD_OPT_KEY, "year").option(TABLE_NAME, tableName).mode(Overwrite).save(hdfsPath)}}

 

 

程序执行完后，我们在HDFS中可以看到数据文件已经生成好了

我们可以看到，数据是以parquet文件保存的。并且除了数据文件之外，还有Hudi自动生成的用于保存元数据的文件夹。

 

3

查询数据

 

object HudiQueryData {
     def main(args: Array[String]): Unit = {
    

   // 创建SparkSQL执行环境   val spark = SparkSession     .builder()     .master("local[*]")     .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")     .config("spark.default.parallelism", 4)     .appName("Spark Hudi Query")     .getOrCreate()

   // 构建元数据   val tableName = "hudi_weblog"   val hdfsPath = "/datalake/test/hudi_first"

   // 基于Hudi创建DF   val weblogDF = spark     .read     .format("hudi")     .load(hdfsPath + "/2021")

   // Spark SQL创建临时表   weblogDF.createOrReplaceTempView(tableName)

   // 执行SQL查询   spark.sql(s"""         | select         |   *         | from         |   ${tableName}       """.stripMargin)     .show(20) }}

 

我们发现基于Hudi我们已经把数据都查询出来了，并且Hudi帮助我们添加了元数据。

 

此处只是做了一个非常简单的Hudi入门体验，下一次我将推出更多关于Hudi的内容。关注我吧！

# 总结

数据湖是用来存储什么样的数据呢？

存储原始数据，结构化的非结构化的数据都可以，可以存储任意类型的数据

 

数据湖是以什么样的存储模式存储数据呢？

     是关系型数据库的模式吗？

不是。如果仅是存储数据的话，数据湖是没有schema的。可以任意存储。

 

数据湖与Delta Lake的关系是？

数据湖是一种数据存储的设计模式，而Delta Lake是可以用于构建数据湖的工具。

 

数据湖可以替代数据仓库吗？

不可以，他们二者是可以相互补充的。

 

简单对比下数据湖与数据仓库。

首先他们两都是企业中的数据存储设计模式，都是概念上的。

1. 数据湖可以存储任意结构化、半结构化或者非结构的数据，而数仓只是结构化数据。

2. 数据湖中的数据可以供任意人员使用，但因数据湖中的数据都是原始数据，对人员要求会比较高。而数据仓库面向的各个需要查看BI的业务线。是整理过的数据，使用起来成本较小。

3. 数据湖设计之初可能是没有具体的目标，后续需要用到数据时随时提取。数仓设计是有非常明确的目标的。

4. 数据湖是读schema，也就是读取的时候再建立schema。而数仓必须先建立schema，再写入。

5. 数据湖是没有结构的，所以它使用起来非常灵活。而数仓在使用之前必须建立结构，不能随意改动。

 

数据湖存储起来非常方便，为了保证敏捷开发，

是无需管理的，对吗？

错！数据湖因为敏捷性，如果没有管理体系，数据湖会变得相当混乱。虽然数据湖存储数据不需要schema，但是必须要进行规范管理，包含清晰地目录结构、数据方便被检索、权限控制、加密存储、提供统一访问的API等等。

 

Apache Hudi是干什么的？仅仅实现增删改查吗？

Hudi是一个用于构建数据湖的开源工具。在GitHub是很活跃的。我们构建数仓很多时候会选Hive。而构建数据湖我们可以选择Hudi。它提供了数据湖所必要的数据提取、数据管理、血缘追踪等功能，而且可以Hadoop、Spark等大数据框架很好地结合起来。

 

基于Hudi的数据湖数据是以什么方式存储的？

Parquet方式，可以存储在HDFS中。

 

Hudi有元数据吗？元数据存储在哪儿？

Hudi是有元数据的，元数据记录了数据操作的时间、数据的提交、分区等等。

 

Hudi是以什么方式与Spark进行整合的？

以DataSource方式，通过Spark SQL可以较好的操作Hudi。

参考文献：

https://searchaws.techtarget.com/definition/data-lake 

https://www.guru99.com/data-lake-architecture.html 

https://hudi.apache.org/

http://spark.apache.org/docs/2.4.7/rdd-programming-guide.html