摘要：數(shù)據(jù)湖通常更大，其存儲(chǔ)成本也更為廉價(jià)。高存儲(chǔ)成本數(shù)倉(cāng)和數(shù)據(jù)湖都是為了降低數(shù)據(jù)存儲(chǔ)的成本。數(shù)據(jù)停滯在數(shù)據(jù)湖中，數(shù)據(jù)停滯是一個(gè)最為嚴(yán)重的問(wèn)題，如果數(shù)據(jù)一直無(wú)人治理，那將很快變?yōu)閿?shù)據(jù)沼澤。

數(shù)據(jù)湖（Data Lake)，湖倉(cāng)一體（Data Lakehouse）儼然已經(jīng)成為了大數(shù)據(jù)領(lǐng)域最為火熱的流行詞，在接受這些流行詞洗禮的時(shí)候，身為技術(shù)人員我們往往會(huì)發(fā)出這樣的疑問(wèn)，這是一種新的技術(shù)嗎，還是僅僅只是概念上的翻新（新瓶裝舊酒）呢？它到底解決了什么問(wèn)題，擁有什么樣新的特性呢？它的現(xiàn)狀是什么，還存在什么問(wèn)題呢？

帶著這些問(wèn)題，今天就從筆者的理解，為大家揭開(kāi) Data Lakehouse 的神秘面紗，來(lái)探一探其技術(shù)的本質(zhì)到底是什么？

Data Lakehouse（湖倉(cāng)一體）是新出現(xiàn)的一種數(shù)據(jù)架構(gòu)，它同時(shí)吸收了數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)湖的優(yōu)勢(shì)，數(shù)據(jù)分析師和數(shù)據(jù)科學(xué)家可以在同一個(gè)數(shù)據(jù)存儲(chǔ)中對(duì)數(shù)據(jù)進(jìn)行操作，同時(shí)它也能為公司進(jìn)行數(shù)據(jù)治理帶來(lái)更多的便利性。那么何為Data Lakehouse呢，它具備些什么特性呢？

本文參考自 https://www.xplenty.com/glossary/what-is-a-data-lakehouse/ 和 https://databricks.com/blog/2020/01/30/what-is-a-data-lakehouse.html。
Data Lakehouse具備什么特性？
一直以來(lái)，我們都在使用兩種數(shù)據(jù)存儲(chǔ)方式來(lái)架構(gòu)數(shù)據(jù)：

數(shù)據(jù)倉(cāng)庫(kù)：數(shù)倉(cāng)這樣的一種數(shù)據(jù)存儲(chǔ)架構(gòu)，它主要存儲(chǔ)的是以關(guān)系型數(shù)據(jù)庫(kù)組織起來(lái)的結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)通過(guò)轉(zhuǎn)換、整合以及清理，并導(dǎo)入到目標(biāo)表中。在數(shù)倉(cāng)中，數(shù)據(jù)存儲(chǔ)的結(jié)構(gòu)與其定義的schema是強(qiáng)匹配的。
數(shù)據(jù)湖：數(shù)據(jù)湖這樣的一種數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)，它可以存儲(chǔ)任何類(lèi)型的數(shù)據(jù)，包括像圖片、文檔這樣的非結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)湖通常更大，其存儲(chǔ)成本也更為廉價(jià)。存儲(chǔ)其中的數(shù)據(jù)不需要滿足特定的schema，數(shù)據(jù)湖也不會(huì)嘗試去將特定的schema施行其上。相反的是，數(shù)據(jù)的擁有者通常會(huì)在讀取數(shù)據(jù)的時(shí)候解析schema（schema-on-read），當(dāng)處理相應(yīng)的數(shù)據(jù)時(shí)，將轉(zhuǎn)換施加其上。

現(xiàn)在許多的公司往往同時(shí)會(huì)搭建數(shù)倉(cāng)、數(shù)據(jù)湖這兩種存儲(chǔ)架構(gòu)，一個(gè)大的數(shù)倉(cāng)和多個(gè)小的數(shù)據(jù)湖。這樣，數(shù)據(jù)在這兩種存儲(chǔ)中就會(huì)有一定的冗余。

Data Lakehouse的出現(xiàn)試圖去融合數(shù)倉(cāng)和數(shù)據(jù)湖這兩者之間的差異，通過(guò)將數(shù)倉(cāng)構(gòu)建在數(shù)據(jù)湖上，使得存儲(chǔ)變得更為廉價(jià)和彈性，同時(shí)lakehouse能夠有效地提升數(shù)據(jù)質(zhì)量，減小數(shù)據(jù)冗余。在lakehouse的構(gòu)建中，ETL起了非常重要的作用，它能夠?qū)⑽唇?jīng)規(guī)整的數(shù)據(jù)湖層數(shù)據(jù)轉(zhuǎn)換成數(shù)倉(cāng)層結(jié)構(gòu)化的數(shù)據(jù)。Data Lakehouse概念是由Databricks在此文[1]中提出的，在提出概念的同時(shí)，也列出了如下一些特性：

事務(wù)支持：Lakehouse可以處理多條不同的數(shù)據(jù)管道。這意味著它可以在不破壞數(shù)據(jù)完整性的前提下支持并發(fā)的讀寫(xiě)事務(wù)。

Schemas：數(shù)倉(cāng)會(huì)在所有存儲(chǔ)其上的數(shù)據(jù)上施加Schema，而數(shù)據(jù)湖則不會(huì)。Lakehouse的架構(gòu)可以根據(jù)應(yīng)用的需求為絕大多數(shù)的數(shù)據(jù)施加schema，使其標(biāo)準(zhǔn)化。

報(bào)表以及分析應(yīng)用的支持：報(bào)表和分析應(yīng)用都可以使用這一存儲(chǔ)架構(gòu)。Lakehouse里面所保存的數(shù)據(jù)經(jīng)過(guò)了清理和整合的過(guò)程，它可以用來(lái)加速分析。同時(shí)相比于數(shù)倉(cāng)，它能夠保存更多的數(shù)據(jù)，數(shù)據(jù)的時(shí)效性也會(huì)更高，能顯著提升報(bào)表的質(zhì)量。

數(shù)據(jù)類(lèi)型擴(kuò)展：數(shù)倉(cāng)僅可以支持結(jié)構(gòu)化數(shù)據(jù)，而Lakehouse的結(jié)構(gòu)可以支持更多不同類(lèi)型的數(shù)據(jù)，包括文件、視頻、音頻和系統(tǒng)日志。

端到端的流式支持：Lakehouse可以支持流式分析，從而能夠滿足實(shí)時(shí)報(bào)表的需求，實(shí)時(shí)報(bào)表在現(xiàn)在越來(lái)越多的企業(yè)中重要性在逐漸提高。

計(jì)算存儲(chǔ)分離：我們往往使用低成本硬件和集群化架構(gòu)來(lái)實(shí)現(xiàn)數(shù)據(jù)湖，這樣的架構(gòu)提供了非常廉價(jià)的分離式存儲(chǔ)。Lakehouse是構(gòu)建在數(shù)據(jù)湖之上的，因此自然也采用了存算分離的架構(gòu)，數(shù)據(jù)存儲(chǔ)在一個(gè)集群中，而在另一個(gè)集群中進(jìn)行處理。

開(kāi)放性：Lakehouse在其構(gòu)建中通常會(huì)使Iceberg，Hudi，Delta Lake等構(gòu)建組件，首先這些組件是開(kāi)源開(kāi)放的，其次這些組件采用了Parquet，ORC這樣開(kāi)放兼容的存儲(chǔ)格式作為下層的數(shù)據(jù)存儲(chǔ)格式，因此不同的引擎，不同的語(yǔ)言都可以在Lakehouse上進(jìn)行操作。
Lakehouse的概念最早是由Databricks所提出的，而其他的類(lèi)似的產(chǎn)品有Azure Synapse Analytics。Lakehouse技術(shù)仍然在發(fā)展中，因此上面所述的這些特性也會(huì)被不斷的修訂和改進(jìn)。

Data lakehouse解決了什么問(wèn)題

那說(shuō)完了Data Lakehouse的特性，它到底解決了什么問(wèn)題呢？

這些年來(lái)，在許多的公司里，數(shù)倉(cāng)和數(shù)據(jù)湖一直并存且各自發(fā)展著，也沒(méi)有遇到過(guò)太過(guò)嚴(yán)重的問(wèn)題。但是仍有一些領(lǐng)域有值得進(jìn)步的空間，比如：

數(shù)據(jù)重復(fù)性：如果一個(gè)組織同時(shí)維護(hù)了一個(gè)數(shù)據(jù)湖和多個(gè)數(shù)倉(cāng)，這無(wú)疑會(huì)帶來(lái)數(shù)據(jù)冗余。在最好的情況下，這僅僅只會(huì)帶來(lái)數(shù)據(jù)處理的不高效，但是在最差的情況下，它會(huì)導(dǎo)致數(shù)據(jù)不一致的情況出現(xiàn)。Data Lakehouse統(tǒng)一了一切，它去除了數(shù)據(jù)的重復(fù)性，真正做到了Single Version of Truth。

高存儲(chǔ)成本：數(shù)倉(cāng)和數(shù)據(jù)湖都是為了降低數(shù)據(jù)存儲(chǔ)的成本。數(shù)倉(cāng)往往是通過(guò)降低冗余，以及整合異構(gòu)的數(shù)據(jù)源來(lái)做到降低成本。而數(shù)據(jù)湖則往往使用大數(shù)據(jù)文件系統(tǒng)（譬如Hadoop HDFS）和Spark在廉價(jià)的硬件上存儲(chǔ)計(jì)算數(shù)據(jù)。而最為廉價(jià)的方式是結(jié)合這些技術(shù)來(lái)降低成本，這就是現(xiàn)在Lakehouse架構(gòu)的目標(biāo)。

報(bào)表和分析應(yīng)用之間的差異：報(bào)表分析師們通常傾向于使用整合后的數(shù)據(jù)，比如數(shù)倉(cāng)或是數(shù)據(jù)集市。而數(shù)據(jù)科學(xué)家則更傾向于同數(shù)據(jù)湖打交道，使用各種分析技術(shù)來(lái)處理未經(jīng)加工的數(shù)據(jù)。在一個(gè)組織內(nèi)，往往這兩個(gè)團(tuán)隊(duì)之間沒(méi)有太多的交集，但實(shí)際上他們之間的工作又有一定的重復(fù)和矛盾。而當(dāng)使用Data Lakehouse后，兩個(gè)團(tuán)隊(duì)可以在同一數(shù)據(jù)架構(gòu)上進(jìn)行工作，避免不必要的重復(fù)。

數(shù)據(jù)停滯（Data stagnation）：在數(shù)據(jù)湖中，數(shù)據(jù)停滯是一個(gè)最為嚴(yán)重的問(wèn)題，如果數(shù)據(jù)一直無(wú)人治理，那將很快變?yōu)閿?shù)據(jù)沼澤。我們往往輕易的將數(shù)據(jù)丟入湖中，但缺乏有效的治理，長(zhǎng)此以往，數(shù)據(jù)的時(shí)效性變得越來(lái)越難追溯。Lakehouse的引入，對(duì)于海量數(shù)據(jù)進(jìn)行catalog，能夠更有效地幫助提升分析數(shù)據(jù)的時(shí)效性。

潛在不兼容性帶來(lái)的風(fēng)險(xiǎn)：數(shù)據(jù)分析仍是一門(mén)興起的技術(shù)，新的工具和技術(shù)每年仍在不停地出現(xiàn)中。一些技術(shù)可能只和數(shù)據(jù)湖兼容，而另一些則又可能只和數(shù)倉(cāng)兼容。Lakehouse靈活的架構(gòu)意味著公司可以為未來(lái)做兩方面的準(zhǔn)備。

Data Lakehouse存在的問(wèn)題 現(xiàn)有的Lakehouse架構(gòu)仍存在著一些問(wèn)題，其中最為顯著的是：

大一統(tǒng)的架構(gòu)：Lakehouse大一統(tǒng)的架構(gòu)有許多的優(yōu)點(diǎn)，但也會(huì)引入一些問(wèn)題。通常，大一統(tǒng)的架構(gòu)缺乏靈活性，難于維護(hù)，同時(shí)難以滿足所有用戶的需求，架構(gòu)師通常更傾向于使用多模的架構(gòu)，為不同的場(chǎng)景定制不同的范式。

并非現(xiàn)有架構(gòu)上本質(zhì)的改進(jìn)：現(xiàn)在對(duì)于Lakehouse是否真的能夠帶來(lái)額外的價(jià)值仍存在疑問(wèn)。同時(shí)，也有不同的意見(jiàn) - 將現(xiàn)有的數(shù)倉(cāng)、數(shù)據(jù)湖結(jié)構(gòu)與合適的工具結(jié)合 - 是否會(huì)帶來(lái)類(lèi)似的效率呢？

技術(shù)尚未成熟：Lakehouse技術(shù)當(dāng)前尚未成熟，在達(dá)到上文所提的能力之前仍有較長(zhǎng)的路要走。