常见数据格式

您已经了解了存储数据的不同位置，例如数据库、数据仓库和数据湖。但是，数据在这些存储系统中是如何实际组织起来的呢？您选择的格式可以极大地影响数据存储、读取、处理和分析的便捷性。接下来，我们来查看一些作为数据工程师会经常遇到的常见数据格式。

CSV (Comma-Separated Values)

想象一个简单的电子表格。CSV文件基本就是这样。它是表格数据最直接且被广泛认可的格式之一。

• 结构： 文件中的每一行通常表示一行数据。在每行中，值（字段）由逗号分隔。第一行通常包含标题行，定义列的名称。

• 示例：

  UserID,Name,City,SignUpDate
  101,Alice,New York,2023-01-15
  102,Bob,London,2023-02-10
  103,Charlie,New York,2023-03-20
  

• 优点：

  • 简单性： 非常容易理解和创建。
  • 人工可读： 您可以在基本的文本编辑器中打开和阅读CSV文件。
  • 广泛支持： 几乎所有数据工具、电子表格程序（如Excel或Google Sheets）和编程语言都可以轻松处理CSV文件。

• 缺点：

  • 无模式强制： 格式本身不定义数据类型（101是数字还是文本？）。这种模糊性可能在处理过程中导致问题。
  • 分隔符问题： 如果某个值本身包含逗号（例如，“New York, NY”）怎么办？这需要使用引号或不同的分隔符（如制表符，创建TSV文件）进行仔细处理，但这并不总是一致的。
  • 效率低下： 对于非常大的数据集，CSV文件可能很庞大，并且与二进制格式相比读取速度较慢。

• 使用场景： 从数据库导出数据、共享简单数据集、初始数据加载步骤。

JSON (JavaScript Object Notation)

JSON起源于JavaScript，但已成为Web上数据交换的通用标准。它特别适合表示无法整齐地放入简单行和列的数据。

• 结构： JSON使用人工可读的文本来传输数据对象，这些对象由属性-值对和数组数据类型组成。它使用花括号{}表示对象（键值对的集合，其中键是字符串，值可以是字符串、数字、布尔值、数组或其他对象），使用方括号[]表示数组（有序的值列表）。

• 示例：

  [
    {
      "UserID": 101,
      "Name": "Alice",
      "City": "New York",
      "SignUpDate": "2023-01-15",
      "Preferences": {
        "Theme": "Dark",
        "Notifications": ["Email", "SMS"]
      }
    },
    {
      "UserID": 102,
      "Name": "Bob",
      "City": "London",
      "SignUpDate": "2023-02-10",
      "Preferences": {
        "Theme": "Light",
        "Notifications": ["Email"]
      }
    }
  ]
  

• 优点：

  • 灵活性： 轻松表示复杂的嵌套结构和列表，使其成为半结构化数据的理想选择。
  • 人工可读： 相对容易读写。
  • Web标准： 许多API和Web服务的默认格式。被编程语言广泛支持。

• 缺点：

  • 冗余： 对于简单的表格数据，可能比CSV更冗余（占用更多空间），并且比二进制格式冗余得多。
  • 解析开销： 读取和处理JSON通常比简单格式或优化过的二进制格式需要更多的计算量。

• 使用场景： API响应、配置文件、在NoSQL数据库（如MongoDB）中存储文档类数据。

Parquet

Apache Parquet完全是另一种类型。它是一种列式存储格式，针对效率和性能进行了优化，尤其是在大数据生态系统中。与CSV和JSON不同，它并非旨在直接供人阅读。

• 结构： Parquet不是逐行存储数据（像CSV和JSON那样），而是逐列存储数据。'UserID'列的所有值存储在一起，'Name'列的所有值存储在一起，依此类推。它还将模式（数据类型、列名）嵌入 (embedding)到文件本身中。

• 为什么是列式？ 假设您只需要分析一个包含许多列的大型数据集中的“城市”列。

  • 使用行式存储（CSV、JSON），您必须读取每一行并取出“城市”值，丢弃其余部分。
  • 使用列式存储（Parquet），您可以直接访问并仅读取“城市”数据，完全跳过其他列。这对于分析查询来说速度快得多。

行式存储与列式存储的数据布局比较。

• 优点：

  • 效率： 由于高效的压缩（相似数据类型可以很好地一起压缩）和编码方案，可显著节省存储空间。
  • 性能： 只涉及部分列的查询速度要快得多，因为需要从磁盘读取的数据更少。
  • 模式演进： 比简单格式更优雅地支持随时间添加、删除或修改列。
  • 类型化： 存储模式信息，避免CSV的模糊性。

• 缺点：

  • 不可人工阅读： 需要特定的工具或库（如Apache Spark、带有pyarrow/fastparquet的Pandas）才能读写。
  • 写入复杂性： 与简单地向CSV文件追加行相比，写入可能在计算上稍微更密集一些。

• 使用场景： 数据湖中数据存储的标准格式（通常存储在Amazon S3或Google Cloud Storage等对象存储中）、为数据仓库提供数据以及使用Apache Spark等框架进行高效处理。

Choosing the Right Format

没有单一的“最佳”格式；选择取决于您的具体需求：

• 对于快速导出、简单表格或人工可读性，CSV通常足够。
• 对于Web API、配置或嵌套数据，JSON是标准。
• 对于数据湖或数据仓库中性能和效率最重要的PB级数据存储和分析，Parquet（或ORC等类似列式格式）通常是首选。

了解这些常见格式非常重要，因为作为数据工程师，您将不断地使用这些格式的数据，从源中提取、转换并加载到各种存储系统中。选择和使用合适的格式是构建高效数据管道的根本部分。