共计 1288 个字符,预计需要花费 4 分钟才能阅读完成。
导读 | 在数据库和数据湖的工作中,有几个关键的概念性差异。在这篇文章中,让我们来确定其中的一些差异,这些差异在第一眼看到时可能并不直观,特别是对于具有强大关系型数据库背景的人来说。 |
服务器是一次性的。数据在云中。
解耦存储和计算。在谈论数据湖时,这是一个典型的问题。
在传统的数据库系统 (以及最初的基于 Hadoop 的数据湖) 中,存储与计算服务器紧密结合。服务器要么有内置的存储,要么直接连接到存储。
在现代基于云的数据湖架构中,数据存储和计算是独立的。数据被保存在云对象存储 (例如:AWS S3、Azure Storage) 中,通常是以一种开放的格式,如 parquet,而计算服务器是无状态的,它们可以在必要时启动 / 关闭。
拥有一个解耦的存储和计算使。
- 降低计算成本。服务器在必要时运行。当不使用时,它们可以被关闭,从而降低了计算成本。
- 可扩展性。你不必为高峰期的使用而购置硬件。服务器 / 中央处理器 / 内存的数量可以根据当前的使用情况动态地增加 / 减少。
- 沙盒化。相同的数据可以被多个计算服务器 / 集群同时读取。这使得你可以让多个团队在不同的集群中并行工作,读取相同的数据,而不影响彼此。
- RAW 数据才是王道! 策划的数据只是衍生的。
在数据库范式中,来自源系统的数据被转化并加载到数据库表中后,它就不再有用了。在数据湖范式中,RAW 数据被保留为真理的源泉,最终永远保留,因为它是真正的资产。
然而,RAW 数据通常不适合商业用户的消费,因此它要经过一个策划过程,以提高其质量,提供结构并方便消费。经过整理的数据最终被储存起来,供数据科学团队、数据仓库、报告系统以及业务用户的一般消费使用。
典型的数据湖消费者只看到策划过的数据,因此他们对策划过的数据的重视程度远远超过产生这些数据的 RAW 数据。
然而,数据湖的真正资产是 RAW 数据(连同策展管道),从某种意义上说,策展的数据类似于一个可以随时刷新的物化视图。
主要收获:
- 可以在任何时候从 RAW 中重新创建。
- 可以通过改进策展过程来重新创建。
- 我们可以有多个策划好的视图,每个视图都用于特定的分析。
今天做出的模式决定不会制约未来的需求
通常情况下,信息需求会发生变化,一些原先没有从源头 / 运营系统中收集的信息需要被分析。
在一个典型的情况下,如果原始的 RAW 数据没有被存储,历史数据就会永远丢失。
然而,在数据湖架构中,今天决定不把某个字段加载到策划的模式中,以后可以推翻,因为所有的详细信息都安全地存储在数据湖的 RAW 区域,历史策划的数据可以用额外的字段重新创建。
主要收获:
- 如果你现在不需要,就不要花大量的时间去创建一个通用的一刀切的策划模式。
- 迭代地创建一个策划的模式,从添加你现在需要的字段开始。
- 当需要额外的字段时,将它们添加到策展过程中并重新处理。
数据湖不是数据库的替代品,每种工具都有它的优势和致命弱点。
将数据湖用于 OLTP 可能是一个坏主意,就像使用数据库来存储数千兆字节的非结构化数据一样。
我希望这篇文章有助于阐明两个系统之间的一些关键设计差异。
![post-qrcode](https://www.xgss.net/wp-content/uploads/2023/07/二维码-微信公众号256x256.jpg)