We live in a world that operates many different data architectures; no two organisations are likely to share the same pattern though all attempt to solve similar problems. 当涉及到数据仓库时，有许多不同的架构选择. 有些人选择传统的企业数据仓库，它将源系统数据结合起来，创建结构化的数据集市，并通过治理进行查询 BI工具. 其他公司则建立大型数据湖和数据库，以使它们能够廉价地存储非结构化数据, 半结构化和结构化数据, 经常提供数据科学和分析工具. 每个体系结构都是为了解决一个问题而设计的. (在这里找到两个架构之间的完整比较.)

传统的数据仓库非常适合BI报告，并提供围绕数据消费的治理和严格性. 数据湖非常适合分析大量不同的数据, 这些信息可以被迅速吸收和分析，从而做出决定. 然而, 这有时会以牺牲数据治理为代价，而牺牲数据分析的速度和灵活性.

多年来，似乎没有中间地带，也没有两全其美. 然而，随着数据湖的引入，这种情况即将改变. 在本文中，美狮mgm官网-mgm美狮美高梅官网-apple app store-美高梅排行榜将介绍该体系结构的关键特性，并讨论它试图解决的一些挑战.

想知道更多吗??

美狮mgm官网-mgm美狮美高梅官网-apple app store-美高梅排行榜的数据专家很乐意听到你的声音

美狮mgm官网-mgm美狮美高梅官网-apple app store-美高梅排行榜 or 请拨打0800 130 3656

数据湖畔

随着数据仓库和数据湖的发展, 从数据中提取价值和洞察力的架构和业务需求也是如此. 许多组织选择了混合模型，这些模型既包含受控的数据仓库报告，也包含严格的数据仓库报告, 以及从数据湖获得的灵活性和洞察力. 然而, 操作两个不同的体系结构会导致在两个平台之间的数据传输方面的妥协. 这就是“数据湖”发挥作用的地方. 这个体系结构试图将数据仓库和数据湖放在同一个平台上. 使用这种体系结构的优点是，它消除了为不同的业务需求使用多个数据存储(一个仓库和一个湖)的问题. 这意味着不用在湖中处理数据，然后构建ETL例程将数据加载到仓库中, 取而代之的是创建一个可以服务所有用例的单一数据存储. 正是这种共享存储平台形成了混合架构和Data Lakehouse之间的主要区别之一.

当然需要安全, 治理, 数据沿袭, 数据管理在任何企业系统中都是至关重要的. 这可以在Data Lakehouse体系结构中应用，并且有可能简化这些操作, 因为提供这些关键任务的工具应用于一个数据存储，而不是多个数据存储.

美狮mgm官网-mgm美狮美高梅官网-apple app store-美高梅排行榜已经讨论了主要特点, 然而，还有其他数据湖应该具备的, 这些都是:

允许多个业务用户和流程并发地读取或写入数据，同时保持数据完整性的能力.
支持模式实施和进化的能力, 健壮的治理, 审计, 数据管理.
允许多种数据工具(如BI)的单个数据存储, 机器学习和数据科学，直接访问源数据.
存储和计算分离, 允许系统扩展到更多的用户和更大的数据量.
标准化和开放的存储格式，使访问范围广泛的工具和引擎.
存储各种数据类型的能力，如结构化, 半结构化和非结构化数据, 因此，它可以通过组织内不同的工具进行分析.
端到端数据流消除了对单独系统提供实时数据的需求.

技术

技术提供商正开始开发他们的产品，允许组织引入数据湖架构. 亚马逊和微软是这方面的先行者. 美狮mgm官网-mgm美狮美高梅官网-apple app store-美高梅排行榜回顾了他们的产品，看看他们是如何与数据湖的特点相抗衡的.

Amazon Redshift和S3

亚马逊宣布计划对Redshift和S3进行一系列更新，以支持lakehouse查询引擎. Redshift Spectrum允许对存储在S3和Redshift中的数据提交标准SQL查询. 亚马逊还发布了使用Redshift的湖屋建筑设计模式, 利用AWS使他们能够实现上面列出的特征. 这允许灵活的工具方法.

微软Azure Synapse

微软推出了Azure Synapse, 他们将其描述为Azure SQL数据仓库, 它将企业数据仓库和大数据分析整合到一个服务中. 他们通过使T-SQL能够在嵌入式Apache Spark引擎和数据仓库上运行来实现这一点, 配合内置的管理和安全. 该平台支持SQL, Python, R和机器学习，让业务用户可以使用他们喜欢的语言来查询数据. 由于它是微软的产品，因此也可以与Power BI集成. 这使他们能够提供具有Data Lakehouse特征的服务.