动手实践：识别数据类型

好的，让我们把所学的数据类型知识付诸实践。能够快速辨别数据是结构化、半结构化还是非结构化的，是每位数据工程师的一项基本能力。为什么呢？因为数据类型决定了您如何收集、存储、处理它，并最终如何使其发挥作用。针对不同的数据组织方式，有最适合的工具和技术。

想象一下整理邮件。您处理账单（带有明确字段的结构化信息）的方式，与处理私人信件（非结构化文本）或杂志（带有文章、广告等的半结构化内容）的方式是不同的。我们来看一些例子，并尝试对它们进行分类。

示例一：销售记录

请看以下代表销售交易的片段：

TransactionID,ProductID,CustomerID,SaleAmount,Timestamp
1001,PROD-A,CUST-056,49.99,2023-10-26T10:00:15Z
1002,PROD-B,CUST-101,120.50,2023-10-26T10:05:22Z
1003,PROD-A,CUST-056,49.99,2023-10-26T10:12:01Z

问题： 这是哪种类型的数据？结构化、半结构化还是非结构化？

此数据呈现清晰的表格格式。其中包含定义列的标题行：TransactionID、ProductID、CustomerID、SaleAmount、Timestamp。每一后续行都精确遵循此格式，为每个列提供一个值。数据整齐地适配表格形式，如电子表格或数据库表。

这种严格的组织方式，带有预定义的模式（列及其预期数据类型），使其成为结构化数据。您可以根据列准确知道每条信息代表什么。常见例子包括关系型数据库中的数据以及像这样的CSV文件。

示例二：产品目录条目

现在，审查这部分描述产品的数据：

{
  "productId": "BK-003",
  "name": "Introduction to Data Engineering",
  "authors": [
    {"firstName": "Alice", "lastName": "Chen"},
    {"firstName": "Bob", "lastName": "Miller"}
  ],
  "description": "A foundational guide covering data pipelines, storage, and processing.",
  "details": {
    "pages": 350,
    "publisher": "Tech Press",
    "formats": ["Paperback", "eBook"]
  },
  "reviews": []
}

问题： 这是哪种类型的数据？

分析： 这份以JSON格式呈现的数据，带有标签或标记 (token)（如"productId"、"name"、"authors"），赋予其组织性。然而，它不像上一个示例那样，不适配严格的行和列格式。

它使用键值对。
它包含嵌套结构（details）和列表（authors、formats、reviews）。
尽管有组织性，但其结构不像表格那样严格。例如，另一个产品可能拥有额外的字段，或省略一些可选字段（比如某个产品可能没有多位作者）。

这种标签和分层结构的使用，但在没有对每条记录强制执行严格预定义模式的情况下，将其归类为半结构化数据。JSON、XML和YAML是半结构化数据的常见格式。

示例三：支持工单邮件

最后，考虑发送给客户支持系统的电子邮件正文：

Subject: Issue with login

Hi Support Team,

I've been trying to log into my account (username: user123) since this morning, but I keep getting an 'Invalid Credentials' error. I'm certain I'm using the correct password, as I reset it yesterday. Could you please look into this? My last successful login was around 11 PM last night.

Thanks,
John Doe

问题： 这是哪种类型的数据？

分析： 这是自由格式的文本。

没有预定义的格式或模式。
尽管它包含信息（用户名、问题、时间），但这些信息嵌入 (embedding)在自然语言中。
提取特定的信息片段（如用户名user123）需要解析文本，而不仅仅是读取特定字段。

这种缺乏内在组织性使其成为非结构化数据。想想图像、音频文件、视频文件以及像这封邮件正文一样的纯文本文档。它们都包含信息，但没有可被机器轻松解析的结构。

总结归纳

我们来将这些类型与结构的关系可视化呈现：

数据类型存在于一个组织程度的连续体上，从高度结构化的表格到完全非结构化的文本或媒体。

当您在工作中遇到不同的数据源时，请练习这种识别能力。问问自己：

它是否整齐地适配于带有预定义字段的行和列？（结构化）
它是否使用标签、标记 (token)或层次结构来组织数据，但没有严格、统一的模式？（半结构化）
它是否缺乏内在的组织结构，比如自由文本或媒体？（非结构化）

这项能力对选择合适的数据存储工具和策略（例如在关系型数据库、NoSQL数据库或数据湖之间做出决定）以及数据处理十分重要，我们将在后续章节中介绍这些内容。理解数据性质是构建高效数据系统的第一步。

这部分内容有帮助吗？