（文章來源：ITPUB）

數(shù)據(jù)湖概念最早是在2011年提出，到現(xiàn)在也就9年左右的時間，算是一個較新的概念。雖然各方理解上有些差異，也存在一些爭議，但概念不重要，關(guān)鍵是否能真正幫助企業(yè)解決在業(yè)務(wù)快速發(fā)展過程中不斷遭遇的新問題。對于希望從數(shù)據(jù)資產(chǎn)中獲取更多經(jīng)濟價值的企業(yè)而言，數(shù)據(jù)湖可能是一個可行的選擇。但對不少國內(nèi)企業(yè)來說，數(shù)據(jù)湖顯然還是一個未知的領(lǐng)域。

數(shù)據(jù)顯示，全球數(shù)據(jù)湖市場在2019年的規(guī)模為37.4億美元，預(yù)計到2025年將達到176億美元，預(yù)計2020 - 2025年期間的復(fù)合年增長率為29.9%。在國外，尤其是北美，數(shù)據(jù)湖應(yīng)用已經(jīng)比較成熟，但在國內(nèi)，還屬于初期階段。因此，第一次搭建數(shù)據(jù)湖，從哪里開始？如何成功搭建數(shù)據(jù)湖？對一些企業(yè)而言可能很難獲知，無論從時間還是投入上來說，試錯的成本都很高，那么，企業(yè)應(yīng)該怎么做才能最大程度的降低風(fēng)險并確保獲得回報？而這將是本文要探討的。

什么是數(shù)據(jù)湖，簡單的說，數(shù)據(jù)湖更像是數(shù)據(jù)倉庫的進化，比傳統(tǒng)數(shù)據(jù)倉庫涉及面更廣。但這并不是說數(shù)據(jù)湖能直接代替數(shù)據(jù)倉庫，兩者可以互補，大量案例顯示，數(shù)據(jù)倉庫作為數(shù)據(jù)湖的一類“數(shù)據(jù)應(yīng)用”存在，協(xié)同工作。

眾所周知，傳統(tǒng)數(shù)據(jù)倉庫都是由數(shù)據(jù)庫發(fā)展而來，因此，無論是傳統(tǒng)的還是新型數(shù)據(jù)倉庫（分布式、云原生數(shù)倉），主要應(yīng)用于結(jié)構(gòu)化數(shù)據(jù)。而數(shù)據(jù)湖是多結(jié)構(gòu)數(shù)據(jù)的存儲庫，無論是結(jié)構(gòu)化、非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，都能以其原始格式存儲，不需要進行初始轉(zhuǎn)換過程，因此，更加靈活，并且存儲與計算是分離的，數(shù)據(jù)存儲在便宜的對象存儲中，如Hadoop或Amazon S3，能更好的優(yōu)化成本，而各種工具和服務(wù)(如Apache Presto、Elasticsearch和Amazon Athena)可以用來查詢這些數(shù)據(jù)。

數(shù)據(jù)湖的產(chǎn)生，源于大數(shù)據(jù)時代企業(yè)面臨的一系列挑戰(zhàn)，例如：數(shù)據(jù)孤島，分析各種數(shù)據(jù)集的難度，數(shù)據(jù)管理，數(shù)據(jù)安全等。而云計算、人工智能則是推動數(shù)據(jù)湖發(fā)展的重要因素，云計算提供了快速查詢、海量存儲的能力，而機器學(xué)習(xí)需要原始數(shù)據(jù)做分析，而用到的數(shù)據(jù)，也不止于結(jié)構(gòu)化數(shù)據(jù)，用戶的評論、圖像這些非結(jié)構(gòu)化數(shù)據(jù)，也都可以應(yīng)用到機器學(xué)習(xí)中。目前，數(shù)據(jù)湖最為人所知的應(yīng)用，當(dāng)屬亞馬遜Galaxy（內(nèi)部代號），如今已經(jīng)成為了亞馬遜核心競爭力之一。

Galaxy數(shù)據(jù)湖建于2019年，構(gòu)建的原因是亞馬遜運營團隊需要做大量的數(shù)據(jù)分析，但基于傳統(tǒng)的數(shù)據(jù)倉庫無法滿足擴展的需要，并且維護的復(fù)雜度和成本都很高。基于自身強大的技術(shù)能力，亞馬遜Galaxy實施了基于Amazon S3的數(shù)據(jù)湖方案，使用Amazon Redshift，Redshift Spectrum，和Amazon EMR運行分析的操作。下圖展示了Galaxy使用的一些AWS服務(wù):Galaxy的部署，讓數(shù)據(jù)存儲量從50PB提升至100PB，在減少成本的同時加快了從數(shù)據(jù)中挖掘有用信息的速度。

目前，每天在Galaxy上執(zhí)行的分析任務(wù)高達60萬個，涉及各個方面，如為用戶推薦、運營信息、庫存信息、購買信息、物價信息等。再來看一個國內(nèi)的應(yīng)用，出海電商新秀Club Factory。Club Factory 是2016年由嘉云數(shù)據(jù)在杭州成立, 定位于創(chuàng)新型出口電商、輕自營跨境電商平臺。或許國內(nèi)很多人都沒聽說過這家公司，但這家公司很厲害，手握的全球用戶已經(jīng)超過1億，其APP在超過10個國家APP購物榜單排名前5，14個國家排名前10。

在數(shù)據(jù)湖的構(gòu)建上，Club Factory采用了基于AWS數(shù)據(jù)湖的解決方案，通過使用數(shù)據(jù)湖來實現(xiàn)基于用戶在平臺上的所有行為做實時自動推薦，BI報表（內(nèi)部運營、分析），供應(yīng)鏈管理創(chuàng)新。據(jù)公開資料顯示，其數(shù)據(jù)湖平臺日均處理15億條行為數(shù)據(jù)分析，支撐80多位數(shù)據(jù)工程師的分析和算法需求，支撐180個活躍的數(shù)據(jù)分析調(diào)度任務(wù)，每日同步4000多個業(yè)務(wù)數(shù)據(jù)到數(shù)據(jù)倉庫，支撐的數(shù)據(jù)總量達到約600TB。

如何快速搭建數(shù)據(jù)湖？搭建數(shù)據(jù)湖無非2種選擇，一種是基于開源解決方案，一種是基于商業(yè)解決方案。開源解決方案的優(yōu)勢是沒有授權(quán)成本，但有個前提，即你所在的企業(yè)得有一個能夠駕馭開源技術(shù)的團隊，有能力自己解決問題。因為，開源解決方案通常都比較零散，不成系統(tǒng)。對于初次搭建數(shù)據(jù)湖的企業(yè)而言，復(fù)雜性很高，成功搭建難度大。基于商業(yè)的解決方案則相反，對于較小或剛開始使用數(shù)據(jù)湖的公司來說，基于公有云的數(shù)據(jù)湖解決方案實現(xiàn)數(shù)據(jù)湖的快速構(gòu)建是可行的選擇。

不僅搭建和管理維護的復(fù)雜性降低，并且成本可監(jiān)控。其次，基于云的數(shù)據(jù)湖解決方案技術(shù)成熟度更高。能得到更為成熟的技術(shù)環(huán)境支持，包括工具的多樣性。最后，可擴展性和安全也是重要原因之一。目前，數(shù)據(jù)湖已經(jīng)在公有云上得到了完美的實現(xiàn)和應(yīng)用，例如：可以基于Amazon S3、AWS Glue等多個基本云服務(wù)快速構(gòu)建出一套數(shù)據(jù)湖服務(wù) 。近期，AWS宣布，AWS Glue、Amazon Athena在由西云數(shù)據(jù)運營的AWS中國（寧夏）區(qū)域正式上線。

AWS Glue是一種全托管的數(shù)據(jù)提取、轉(zhuǎn)換和加載 (ETL) 服務(wù)及元數(shù)據(jù)目錄。它的價值在于，能讓準(zhǔn)備數(shù)據(jù)更容易加載數(shù)據(jù)到數(shù)據(jù)庫、數(shù)據(jù)倉庫和數(shù)據(jù)湖，用于數(shù)據(jù)分析。Amazon Athena則是一種交互式查詢服務(wù)，使用標(biāo)準(zhǔn)的SQL，可以直接對Amazon S3上的數(shù)據(jù)做交互查詢。而這兩種服務(wù)都是無服務(wù)器服務(wù)，意味著不需要管理基礎(chǔ)設(shè)施，只需要為運行的查詢付費。

官方已經(jīng)給出了如何使用 AWS Glue 和 Amazon S3 構(gòu)建數(shù)據(jù)湖基礎(chǔ)和如何使用Amazon Athena 分析數(shù)據(jù)的具體教程，本文就不再贅述。當(dāng)然，如果你覺得這種方式還有些復(fù)雜，那么接下來的一項服務(wù)，可以重點關(guān)注。去年，AWS發(fā)布了一項名為AWS Lake Formation的新服務(wù)，進一步降低了數(shù)據(jù)湖搭建的門檻，該服務(wù)簡化了數(shù)據(jù)湖的創(chuàng)建過程，并在幾天（而不是幾個月）內(nèi)構(gòu)建一個安全的數(shù)據(jù)湖。

不過，該服務(wù)目前還未在中國正式推出。當(dāng)然，你也可以視自身情況自行選擇其他供應(yīng)商，本文推薦基于AWS數(shù)據(jù)湖解決方案來實現(xiàn)快速搭建數(shù)據(jù)湖，是因為，到目前為止，AWS數(shù)據(jù)湖/數(shù)據(jù)分析解決方案是最完整，提供服務(wù)最豐富的，也是成功案例最多的。
（責(zé)任編輯：fqj）