数据仓库的市场正在蓬勃发展。有研究预测，到2030年，市场价值将达到238亿美元。需求正以每年29%的速度增长。虽然关于数据仓库的优点有很多讨论，但围绕数据湖的讨论还不够多。过去我们谈到了企业数据仓库，那么我们来对比一下它们和数据湖。

数据仓库和数据湖都是在存储大数据的时候使用的。另一方面，它们是不一样的。数据仓库是一个存储区域，用于存储经过过滤的、结构化的数据，这些数据已经被处理过，用于特定的用途；而数据湖则是一个庞大的原始数据池，目的还是未知的。

很多人对这二者感到困惑，但它们之间唯一的相似之处就是数据存储的高级原理。 了解二者的区别至关重要，因为它们服务于不同的原理，需要不同的眼界来充分优化。然而，数据湖的功能是为一个特定的公司服务的，而数据仓库则是为另一个公司安装的。

本文将揭示或展示数据仓库和数据湖的区别。以下是它们的显著区别。

    数据湖  

数据类型：来自不同数据源的结构化和非结构化数据。

目的：高性价比的大数据存储

用户：工程师和科学家

任务：存储数据以及大数据分析，如实时分析和深度学习。

大小：存储可能使用的数据

    数据仓库  

数据类型：历史数据，其结构是为了适应关系数据库图。

目的：商业决策分析

用户：商业分析师和数据分析师 业务分析员和数据分析员

任务：用于总结和汇总数据的只读查询。

大小：仅储存与分析有关的数据

    数据类型  

数据清理是一项重要的数据技能，因为数据有不完美和混乱的类型。未经清理的原始数据被称为非结构化数据，这包括聊天记录、图片和PDF文件。经过清理以适应计划、整理成表、由关系和类型定义的非结构化数据被称为结构化数据。这是数据仓库和数据湖之间的一个重要区别。

数据仓库中包含的历史信息，已经被清除以适应关系计划。另一方面，数据湖存储来自广泛的来源，如实时社交媒体流、物联网设备、网络应用交易和用户数据。这些数据通常是结构化的，但大多数时候，这些数据是凌乱的，因为它们正从数据源中摄取。

    目的  

当涉及到原则和功能时，数据湖被用于从各种来源的大量数据的成本效益存储。让任何结构的数据降低了成本，因为它是灵活的以及可扩展的，不必适合特定的计划或程序。另一方面，由于结构化数据比较干净，所以容易分析。它也有相同的计划来查询。数据仓库通过将数据限制在一个计划或程序中，对于特定数据决策的历史数据检查非常有用。

你可能会看到，当涉及到数据的工作流程时，两者相互衬托。摄取的组织将被立即存储到Data Lake中。一旦出现特定的组织关注，一部分被认为相关的数据就会从湖中取出，清除以及导出。

    用户  

每一种都有不同的应用，但对于不同的用户来说，都是非常有价值的。外面的业务分析师和数据分析师经常在数据仓库中工作，数据仓库中的数据是公开的、朴素的相关数据，这些数据已经被处理过，用于工作。数据仓库需要有较低的数据科学和编程知识或技能才能使用。

工程师建立和维护数据湖，他们将数据湖纳入数据管道。数据科学家也与数据湖紧密合作，因为他们拥有更广泛以及当前范围的信息。

    任务  

工程师在存储传入数据时，会利用数据湖。另一方面，数据湖不仅仅局限于存储。请记住，非结构化数据具有可扩展性和灵活性，这对于数据分析来说是比较好的、理想的。大数据分析可以使用Apache Spark以及Hadoop在数据湖上工作。在深度学习方面也是如此，在训练信息数量不断增加的情况下，需要可扩展性。

通常情况下，数据仓库对于用户来说是设置为只读的，尤其是那些首先是阅读以及集体数据以获得洞察力的用户。事实上，信息或数据已经是干净以及存档的，通常不需要更新甚至插入数据。

    规模  

说到规模，数据湖比数据仓库大得多。这是因为数据湖保存了所有可能与企业或组织相关的信息。通常情况下，数据湖都是PB级的，也就是1000TB。

    理解数据仓库和数据湖的重要性  

如果你正在数据仓库或数据湖之间解决，你需要回顾上面提到的类别，以确定一个能满足你的需求并适合你的情况。如果你有兴趣彻底深入了解其中的差异或知道如何制作数据仓库，你可以参加一些在线提供的课程。

始终要记住，有时你想要这两种存储解决方案的组合，尤其是在开发数据管道的时候。