一文搞懂什么是数据湖(data lake)？

一、概论

data lake数据湖，最早由Pentaho的CTO,James Dixon发明。他在博客中这样描述数据湖：如果你把数据集市看作是一家售卖干净的、规整包装的、便于消费的瓶装水的商店，那么数据湖就是更自然状态下的一大片水域。数据湖的内容从一个源头流入，各类用户可以前来检查，探索或者取样。

---

数据湖最重要的特点有两个，第一个是自然，第二个是可以被各类用户使用。我们先讲何为自然，自然在这里指自然而然，未经处理，原始状态。就像一大片湖水一样，原生态。类比到数据，就是原生的数据，未经任何转换和加工。那么我们得到原汁原味的数据有什么意义那，传统的etl为什么不再适用新的业务场景。究其根本，是数据科学家对数据有了更高的需求。随着硬件的快速升级换代，机器学习以及深度学习技术，越来越多的被数据科学家使用。舌尖上的中国，讲高端的食材，不需要特殊的烹饪方法。在此，我们讲，高端的算法往往需要数据保留原始样子，这样数据科学家可以选择更多的特征去训练模型。多年前，我在参与一个人工智能项目时，就曾经因为数据生产出来后，清洗掉了一些关键特征，导致后来花了大量人力去重新让数据拥有那些特征。

---

再讲被各类用户使用，数据湖拥有原始的数据和经过脱敏以及处理过的数据，这让不同的用户可以从数据湖活的想要的数据。数据分析师可以借助BI工具对简单处理的数据做快速的分析。数据科学家可以顺利的拿到原始数据，去做更高层级的加工分析，不会因为想要的数据被清洗掉了而无能为力。数据湖将被更多类型的用户使用，而不是仅仅服务于一两个web页面。

总结一下，数据湖是原始数据以及处理过数据的有机集合体，且更强调原汁原味的数据，可以满足不同用户群体的自助使用需求。

二、数据湖架构

待续。。。