為了應(yīng)對數(shù)據(jù)管理和數(shù)據(jù)應(yīng)用的問題，越來越多的企業(yè)選擇了數(shù)據(jù)湖方案（DataLake）。
我一直覺得DataLake的中文翻譯非常傳神，在漢語文化中，“江河湖?！备鐑核膫€，個頂個兒的非常大，數(shù)據(jù)湖也如上圖所示，功能很強大，能做的事情非常多，而且，還有很強的包容性。
包容性體現(xiàn)在三個方面：
首先，容量特別大，互聯(lián)網(wǎng)時代數(shù)據(jù)洪流經(jīng)常有突發(fā)性和不可預(yù)測性，比如新浪微博上的明星戀愛、結(jié)婚、分手、離婚新聞就有突然性。從數(shù)據(jù)的角度看，好比夏天突如其來的暴雨，它可能會帶來洪澇災(zāi)害，而有個湖就能將降水蓄積起來，數(shù)據(jù)湖能做到這點，來多少數(shù)據(jù)都不怕。
其次，能容納的數(shù)據(jù)類型非常多，無論是原始的未經(jīng)處理的數(shù)據(jù)，還是結(jié)構(gòu)化的數(shù)據(jù)，還是非結(jié)構(gòu)化的數(shù)據(jù)，只要是能以0101的方式存在硬盤里的數(shù)據(jù)，數(shù)據(jù)湖都能存進來。
第三點，能干的事兒多，數(shù)據(jù)湖不僅能做以前數(shù)據(jù)倉庫（DataWareHouse）做的工作，包括數(shù)據(jù)分類提煉還有數(shù)據(jù)分析之類的，而且還有各種方法對這些數(shù)據(jù)可以進行查詢，所以能對接機器學(xué)習(xí)，人工智能這類新型應(yīng)用。
數(shù)據(jù)湖這么強大，強大意味著復(fù)雜，如何以最簡單的方式構(gòu)建數(shù)據(jù)湖呢？答案是基于云的數(shù)據(jù)湖方案。
AWS的云上數(shù)據(jù)湖方案
作為公有云領(lǐng)頭羊的AWS在許多技術(shù)方案方面都非常有代表性，是許多云廠商爭相研究和對比的標桿，AWS的數(shù)據(jù)湖是怎樣的存在呢？
AWS的數(shù)據(jù)湖平臺有多種多樣的服務(wù)，能以多種多樣的方式獲取多種多樣來源的數(shù)據(jù)，然后存起來進行多種多樣的分析利用。
首先，解決數(shù)據(jù)從哪兒來的問題。
AWS有一系列的數(shù)據(jù)遷移工具，比如做數(shù)據(jù)庫遷移的AWS Database Migration Service數(shù)據(jù)庫遷移服務(wù) (DMS)，還有數(shù)據(jù)快遞箱AWS Snowball (雪球)，還有混合云場景下的AWS Storage Gateway存儲網(wǎng)關(guān)，還有AWS Backup數(shù)據(jù)備份方案。
然后，解決數(shù)據(jù)存儲的問題。
AWS的數(shù)據(jù)湖方案的核心是Amazon S3存儲，作為AWS第一個云服務(wù)，AWS的S3樹立了對象存儲的標準，另外，S3 Bucket（桶）的概念也是一個神命名，桶作為生活常用容器可以裝各種東西，作為數(shù)據(jù)存儲可以存各種二進制的數(shù)據(jù)。
作為一個能存放大量數(shù)據(jù)的容器，價格自然得親民，為了降低價格，S3衍生出的Amazon Glacier讓價格降了一大截兒，后來又推出了Amazon S3 Glacier Deep Archive歸檔方案，價格又降了一大截兒。
數(shù)據(jù)湖方案里的數(shù)據(jù)庫類型可以說是應(yīng)有盡有，包括有鍵值數(shù)據(jù)庫Amazon DynamoDB，還有支持SQL Server、Oracle、MariaDB、PostgreSQL和MySQL托管的關(guān)系型數(shù)據(jù)庫服Amazon 務(wù)RDS，還有AWS專屬的Amazon Aurora數(shù)據(jù)庫，AWS一再強調(diào)Amazon Aurora是增長最快的一個服務(wù)，但目前尚不清楚與別的數(shù)據(jù)庫相比的概況。
以上幾個方面，包括S3存儲和各種數(shù)據(jù)庫解決了數(shù)據(jù)存的問題。第三點，數(shù)據(jù)要如何使用起來呢？
Amazon Redshift是AWS的數(shù)據(jù)倉庫，據(jù)說成本是傳統(tǒng)數(shù)據(jù)倉庫的十分之一；Amazon EMR是AWS的MapReduce集群，可以運行包括Spark，Hadoop，Hive，Hbase等大數(shù)據(jù)分析工具。Amazon Elasticsearch是做一些運維分析；Amazon Kinesis可以做實時的數(shù)據(jù)分析。
AWS的數(shù)據(jù)分析方案并不是簡單把別人做過的開源的方案放到云上，同時，AWS也按照自己的理解提供自己獨有的分析方案，這是AWS在很多方案上都慣用的策略。
比如，AWS Glue（膠水）是一個專業(yè)的ETL工具，能做數(shù)據(jù)分析的準備工作。AWS Glue首先是一個Servless服務(wù)，成本比較低，它能為數(shù)據(jù)生成數(shù)據(jù)目錄（DataCatalog），能自動完成ETL操作將數(shù)據(jù)傳遞給數(shù)據(jù)倉庫，它支持對AWS上的各種關(guān)系型數(shù)據(jù)庫，S3對象存儲的數(shù)據(jù)進行操作，作為一個ETL工具，Glue非常簡單易用。
ETL是一個非常復(fù)雜，非常難的操作，基于數(shù)據(jù)倉庫的工作中，大部分時間可能都在做ETL，ETL的工具非常多，好用的特別貴，便宜的非常不好用，AWS的AWS Glue把一些共性的東西做出來，以Serveless的方式提供，可以說是AWS數(shù)據(jù)湖方案里的一大亮點了。也可以說是很多人想用AWS數(shù)據(jù)湖方案的一個原因。
又比如，Amazon Athena是一個Servless服務(wù)，它提供的是一個交互式的數(shù)據(jù)查詢服務(wù)，可以用它對S3里的數(shù)據(jù)進行查詢，支持用標準的SQL語句進行查詢，做數(shù)據(jù)分析用，使用起來非常簡單。3月24日，AWS宣布AWS Glue和Amazon Athena在中國（寧夏）區(qū)域上線，已經(jīng)可以上手使用了。
數(shù)據(jù)湖是處理數(shù)據(jù)的技術(shù)，而人工智能是非常依賴數(shù)據(jù)的，如果想用數(shù)據(jù)湖的數(shù)據(jù)做一些人工智能的項目，Amazon SageMaker等AI服務(wù)也支持從數(shù)據(jù)庫拿數(shù)據(jù)進行訓(xùn)練。這點在AWS上也是水到渠成的。
以上，就是AWS數(shù)據(jù)分析組件的大部分內(nèi)容，大致的邏輯關(guān)系可以參照上圖。
AWS提供的各種服務(wù)之間可以在云上相互協(xié)作，從而組合而成數(shù)據(jù)湖方案，不過，光是看到有這么多服務(wù)就知道這事兒其實還是有點費勁。為了簡化數(shù)據(jù)湖的構(gòu)建過程，AWS還推出了一個叫AWS Lake Formation的服務(wù)，可以自動構(gòu)建一個數(shù)據(jù)湖。目前中國區(qū)暫時還不提供Lake Formation，AWS首席云計算企業(yè)戰(zhàn)略顧問張俠博士表示中國區(qū)很快就會有。
他們怎么用AWS數(shù)據(jù)湖方案
遷移上公有云的用戶越來越多了，云計算也越來越成熟了，包括Amazon EC2，Amazon S3等基礎(chǔ)性服務(wù)用戶已經(jīng)非常熟悉了，在AWS上，像數(shù)據(jù)庫已經(jīng)能對Oracle進行替代了。這些都已經(jīng)經(jīng)過亞馬遜電商平臺的實戰(zhàn)驗證了，AWS推出的方案成熟度非常高。
張俠博士介紹說，亞馬遜曾經(jīng)是Oracle全球數(shù)據(jù)庫最大的用戶，它用了75PB的數(shù)據(jù)庫容量，7500多個數(shù)據(jù)庫，整個亞馬遜里1000多個不同的團隊原本都是用Oracle的數(shù)據(jù)庫。過去一年半到兩年時間，亞馬遜全方位將Oracle數(shù)據(jù)庫遷移到了自己對應(yīng)的產(chǎn)品，不僅如此，遷移過程并不困難，費用方面，數(shù)據(jù)庫成本減少60%，管理費用減少70%，性能提升高達40%。
亞馬遜電商的核心競爭之一就是在內(nèi)部使用的一個叫Galaxy（銀河）的數(shù)據(jù)湖，這就是亞馬遜有時候比你自己還了解你自己的秘密武器。這個數(shù)據(jù)湖里有50PB到100PB數(shù)據(jù)，可以把亞馬遜的數(shù)據(jù)進行整合后做大數(shù)據(jù)分析，亞馬遜每天有60多萬的分析任務(wù)，從用戶推薦、運營信息、庫存信息、購買信息、物價信息等等，都依賴于數(shù)據(jù)湖。這個數(shù)據(jù)湖就是AWS數(shù)據(jù)湖方案構(gòu)成的。
FINRA是一家美國的金融監(jiān)管機構(gòu)，每天有超過1500億的事件，每天要監(jiān)測20PB的市場活動數(shù)據(jù)，F(xiàn)INRA使用AWS的數(shù)據(jù)湖方案，把所有金融交易的信息都整合在一起進行分析，與原來相比，每年節(jié)省1000萬美元到2000萬美元的費用。
納斯達克每天要處理300-500億次付款、交易、詢價操作，而且要能查詢這些記錄，此前，多種數(shù)據(jù)散落在不同的系統(tǒng)中，在采用AWS的數(shù)據(jù)湖方案之后，能處理歷史數(shù)據(jù)并進行交互式查詢，對納斯達克來說，不僅降低了成本，而且把上市時間縮短為原來的三分之一。
Club Factory是一家中國的跨境電商平臺，它的業(yè)務(wù)需要做個性化推薦、內(nèi)部運營分析以及供應(yīng)商管理等場景，每天要處理15億條行為日志，支撐180個活躍數(shù)據(jù)分析調(diào)度，每天需要把4000多個業(yè)務(wù)數(shù)據(jù)同步到AWS的數(shù)據(jù)倉庫Redshift。AWS的數(shù)據(jù)湖滿足了其業(yè)務(wù)增長需求，同時成本也有優(yōu)化，Club Factory還特別提到了Glue自動化ETL操作帶來的便利性。
AWS的數(shù)據(jù)湖方案也是不錯的選擇
云體驗好就好在，它極大降低了安裝部署方案的復(fù)雜性，云計算本身就是最佳推薦配置和方案，云上方案的安裝部署配置能滿足絕大多數(shù)人的需求，而且，在規(guī)模效應(yīng)的加持下，成本會越來越有競爭力。
從個人學(xué)習(xí)或者企業(yè)嘗試新方案的角度講，在不夠充分了解一些新事物的時候，在云端走一遍是最快捷，最廉價，最高效的學(xué)習(xí)途徑。當(dāng)然，理論上技術(shù)愛好者自己搭建一些方案也是可行的，但企業(yè)生產(chǎn)環(huán)境容不下嘗試性的方案。
筆者一直以來都認為，云上的數(shù)據(jù)分析是數(shù)據(jù)分析的最佳實踐環(huán)境，無論是企業(yè)還是個人，如果致力于從數(shù)據(jù)中挖掘價值，那么云上數(shù)據(jù)分析一定是繞不開的。
云計算是講究規(guī)模效應(yīng)的，不是因為選擇AWS的用戶多AWS就一定好，用戶多，規(guī)模大，AWS可以用更先進的技術(shù)進行降本增效，AWS的Nitro和即將推出的ARM服務(wù)器都是降本增效的典型例子，這讓AWS的方案更有成本優(yōu)勢。
云計算作為公開的服務(wù)形式，用戶可以對其服務(wù)進行評價和反饋，AWS的企業(yè)文化能接受這些反饋并作用于產(chǎn)品中，AWS從不畫大餅講未來的Roadmap，有的只是聽需求，然后評估之后做產(chǎn)品方案，這會讓產(chǎn)品和服務(wù)的體驗變得越來越好。
有鑒于這兩點，我覺得AWS云計算是一個不錯的選擇，數(shù)據(jù)湖方案里，AWS的數(shù)據(jù)湖方案也是不錯的選擇。
