到底是什么是“數(shù)據(jù)湖倉”？

作者：小棗君 2025-03-28 01:33:00

根據(jù)畢馬威的報(bào)告顯示，86%的海外企業(yè)計(jì)劃統(tǒng)一其分析數(shù)據(jù)，以支持AI業(yè)務(wù)的開發(fā)。國內(nèi)也是如此。例如騰訊、B站、小紅書等頭部互聯(lián)網(wǎng)企業(yè)，都采用了數(shù)據(jù)湖倉架構(gòu)，用于不同程度的AI應(yīng)用。

為什么會(huì)有“數(shù)據(jù)湖倉”？

前面我們提到，數(shù)據(jù)倉庫出現(xiàn)于1990年代，主要基于MPP（Massively Parallel Processing，大規(guī)模并行處理）或者關(guān)系型數(shù)據(jù)庫實(shí)現(xiàn)，用于企業(yè)做數(shù)據(jù)存儲(chǔ)、處理和分析，發(fā)展數(shù)據(jù)看板、BI（商業(yè)智能）等用途。

而數(shù)據(jù)湖，出現(xiàn)于2010年代，主要基于大數(shù)據(jù)技術(shù)（Hadoop等）生態(tài)，用于支撐多樣化的數(shù)據(jù)存儲(chǔ)，實(shí)時(shí)性更強(qiáng)，適合滿足批處理、流式計(jì)算等業(yè)務(wù)場景。

圖片

數(shù)據(jù)倉庫的特點(diǎn)是，先做數(shù)據(jù)處理，搞得規(guī)范整齊之后，存起來。用的時(shí)候就直接用。它主要存的是結(jié)構(gòu)化（行列）數(shù)據(jù)。

數(shù)據(jù)湖的特點(diǎn)是，什么數(shù)據(jù)（結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化）都能存，不做預(yù)處理，先全部都存起來，等要用的時(shí)候，再處理。

圖片

兩種技術(shù)，各有優(yōu)缺點(diǎn)：

圖片

從成本的角度來看，數(shù)據(jù)湖的起步成本很低，但隨著數(shù)據(jù)體量的增大，成本會(huì)迅速飆升。而數(shù)據(jù)倉庫恰好相反，前期建設(shè)開支很大，后期成本增加趨緩。

圖片

數(shù)據(jù)倉庫和數(shù)據(jù)湖，都是基于數(shù)據(jù)進(jìn)行價(jià)值挖掘，只是側(cè)重點(diǎn)不同。對(duì)于企業(yè)來說，兩者都有價(jià)值，所以，會(huì)選擇同時(shí)建設(shè)。

很顯然，這不僅導(dǎo)致了高昂的建設(shè)投資成本，也使得數(shù)據(jù)存在冗余和重復(fù)。

基于以上種種原因，業(yè)界就開始思考：是不是可以將數(shù)據(jù)倉庫和數(shù)據(jù)湖進(jìn)行結(jié)合，充分發(fā)揮兩者的優(yōu)勢，彌補(bǔ)各自的缺陷呢？

圖片

于是，就有一些服務(wù)商，開始研究如何將兩者的能力進(jìn)行“打通”。

主要思路包括兩種：一種是讓數(shù)據(jù)倉庫支持對(duì)數(shù)據(jù)湖的訪問。還有一種，是讓數(shù)據(jù)湖具備數(shù)據(jù)倉庫的一些能力。

前者比較有代表性的，是2017年Redshift推出的Redshift Spectrum。它支持Redsift數(shù)據(jù)倉庫用戶訪問AWS S3數(shù)據(jù)湖的數(shù)據(jù)。

后者有代表性的比較多，包括2017年Hortonworks孵化出的Apache Atlas和Ranger項(xiàng)目，2018年Nexflix開源的內(nèi)部增強(qiáng)版本元數(shù)據(jù)服務(wù)系統(tǒng)Iceberg。2018-2019年，Uber和Databricks相繼推出了Apache Hudi和DeltaLake，推出增量文件格式，用以支持Update/Insert、事務(wù)等數(shù)據(jù)倉庫功能。

所有這些嘗試和努力，都多多少少存在一些缺陷（數(shù)據(jù)倉庫和數(shù)據(jù)湖存在本質(zhì)的區(qū)別，整合難度很大），并不算成功。

2020年，數(shù)據(jù)智能獨(dú)角獸企業(yè)Databricks（沒錯(cuò)，就是提出Delta Lake的那個(gè)公司，數(shù)據(jù)湖的代表企業(yè)）正式提出了數(shù)據(jù)湖倉（Data Lakehouse）概念。

圖片

Databricks聯(lián)合創(chuàng)始人兼首席執(zhí)行官阿里·戈德西（Ali Ghodsi）表示：

“從長遠(yuǎn)來看，所有數(shù)據(jù)倉庫都將被納入數(shù)據(jù)湖倉，這不會(huì)在一夜之間發(fā)生——這些東西會(huì)共存一段時(shí)間——在價(jià)格和性能上，數(shù)據(jù)湖倉完勝數(shù)據(jù)倉庫。”

數(shù)據(jù)湖倉，也被稱為湖倉一體。

2021年，“湖倉一體”首次被寫入Gartner數(shù)據(jù)管理領(lǐng)域成熟度報(bào)告。2023年6月，大數(shù)據(jù)技術(shù)標(biāo)準(zhǔn)推進(jìn)委員會(huì)發(fā)布了《湖倉一體技術(shù)與產(chǎn)業(yè)研究報(bào)告（2023年）》。這一年的6月26日，“湖倉一體”在中國大數(shù)據(jù)產(chǎn)業(yè)發(fā)展大會(huì)上成功入選“2023大數(shù)據(jù)十大關(guān)鍵詞”。

圖片

數(shù)據(jù)湖倉的主要特點(diǎn)

數(shù)據(jù)湖倉（湖倉一體），說白了，就是一種將數(shù)據(jù)倉庫和數(shù)據(jù)湖打通的新型開放式架構(gòu)。它既具備數(shù)據(jù)湖的靈活性，也具備數(shù)據(jù)倉庫的高性能及管理能力，為企業(yè)進(jìn)行數(shù)據(jù)治理帶來了更大的便利和更高的效率。

在數(shù)據(jù)湖倉的底層，支持多種數(shù)據(jù)類型并存，能實(shí)現(xiàn)數(shù)據(jù)間的相互共享。

在數(shù)據(jù)湖倉的上層，可以通過統(tǒng)一接口進(jìn)行訪問，可同時(shí)支持實(shí)時(shí)查詢和分析。

圖片

數(shù)據(jù)倉庫和數(shù)據(jù)湖這兩套體系相互打通之后，數(shù)據(jù)可以在兩者之間自由流動(dòng)。

也就是說，數(shù)據(jù)湖里的“新鮮”數(shù)據(jù)（熱數(shù)據(jù)），可以流到數(shù)據(jù)倉庫里，直接被數(shù)據(jù)倉庫使用。

而數(shù)據(jù)倉庫里的“不新鮮”數(shù)據(jù)（冷數(shù)據(jù)），也可以流到數(shù)據(jù)湖里，低成本長久保存，供未來使用。

數(shù)據(jù)湖倉的特點(diǎn)，其實(shí)就是數(shù)據(jù)倉庫的優(yōu)點(diǎn)+數(shù)據(jù)湖的優(yōu)點(diǎn)。

在數(shù)據(jù)存儲(chǔ)方面，繼承了數(shù)據(jù)湖的優(yōu)勢，支持多樣化數(shù)據(jù)，且以HDFS或云對(duì)象存儲(chǔ)為基礎(chǔ)，實(shí)現(xiàn)了低成本、高可用。數(shù)據(jù)以原始格式或開放文件格式（如 Parquet、ORC）存儲(chǔ)，具備高效的壓縮比與列存儲(chǔ)特性，方便查找。

開放文件格式，也保障了數(shù)據(jù)在不同計(jì)算引擎間的通用性。

數(shù)據(jù)湖倉同樣支持Iceberg、Hudi、Delta Lake等開放表格式。它們不僅支持?jǐn)?shù)據(jù)的近實(shí)時(shí)更新、高效的快照管理，還兼容 SQL 標(biāo)準(zhǔn)，使得數(shù)據(jù)既可以像傳統(tǒng)數(shù)據(jù)庫表一樣進(jìn)行事務(wù)性操作，又能充分利用數(shù)據(jù)湖的分布式存儲(chǔ)與彈性計(jì)算優(yōu)勢。

在計(jì)算引擎方面（采用存算分離架構(gòu)），整合了Spark、Flink、Presto、Doris等多樣的計(jì)算引擎。通過統(tǒng)一的調(diào)度與資源管理，不同引擎可以共享存儲(chǔ)資源，協(xié)同處理復(fù)雜的數(shù)據(jù)工作流，滿足企業(yè)從實(shí)時(shí)監(jiān)控到深度分析的全方位計(jì)算需求。

阿里云數(shù)據(jù)湖倉架構(gòu)（來自阿里云官網(wǎng)）

在數(shù)據(jù)一致性方面，提供ACID（原子性、一致性、隔離性、持久性）保證，確保數(shù)據(jù)寫入的一致性，保證了多方同時(shí)讀取或?qū)懭霐?shù)據(jù)時(shí)的數(shù)據(jù)準(zhǔn)確性。

在數(shù)據(jù)管理方面，數(shù)據(jù)湖倉實(shí)現(xiàn)了統(tǒng)一的元數(shù)據(jù)管理，支持全鏈路血緣，提供統(tǒng)一的命名空間、全局的數(shù)據(jù)目錄。無論數(shù)據(jù)存儲(chǔ)在何處，使用何種計(jì)算引擎，用戶都能通過統(tǒng)一的API進(jìn)行快速檢索、理解與訪問數(shù)據(jù)。數(shù)據(jù)治理，變得非常高效。

在數(shù)據(jù)安全方面，數(shù)據(jù)湖倉一般還支持多租戶和庫表列級(jí)數(shù)據(jù)權(quán)限，能夠很好地進(jìn)行租戶隔離和數(shù)據(jù)權(quán)限管控，確保了數(shù)據(jù)的安全性和隱私性。

圖片

當(dāng)然了，數(shù)據(jù)湖倉也不是沒有缺點(diǎn)。

作為一項(xiàng)融合的技術(shù)架構(gòu)，它的復(fù)雜性比較高，需要很高的技術(shù)門檻。而且，它的早期投資比較大，對(duì)企業(yè)來說有一定的成本壓力。

數(shù)據(jù)湖倉的性能優(yōu)化、數(shù)據(jù)治理以及安全防護(hù)，也存在一定的挑戰(zhàn)。這些門檻和挑戰(zhàn)，往往會(huì)讓企業(yè)用戶望而卻步。

數(shù)據(jù)湖倉的參考架構(gòu)

數(shù)據(jù)湖倉誕生至今的時(shí)間并不是很長。從最開始的倉和湖獨(dú)立建設(shè)，到后來，逐漸形成了“湖上建倉”與“倉外掛湖”兩種實(shí)踐路徑。

湖上建倉，是指基于數(shù)據(jù)湖架構(gòu)，或者以數(shù)據(jù)湖作為數(shù)據(jù)存儲(chǔ)中間層，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的統(tǒng)一存儲(chǔ)。然后，以統(tǒng)一調(diào)用接口方式調(diào)用計(jì)算引擎，最終實(shí)現(xiàn)上下結(jié)構(gòu)的湖倉一體架構(gòu)。

倉外掛湖，是指以MPP數(shù)據(jù)庫為基礎(chǔ)，使用可插拔架構(gòu)，通過開放接口對(duì)接外部存儲(chǔ)，實(shí)現(xiàn)統(tǒng)一存儲(chǔ)。

隨著時(shí)間的推移，也有企業(yè)開始推出兩種架構(gòu)的深入融合。

目前，在數(shù)據(jù)湖倉領(lǐng)域比較有代表性的服務(wù)商，包括國外的AWS（亞馬遜云科技）、微軟Azure 、Databricks、Snowflake，以及國內(nèi)的阿里云、騰訊云、華為云、星環(huán)科技等。

圖片