【译】Azure帮你简化Lakehouse架构

原文：Simplify Your Lakehouse Architecture with Azure Databricks, Delta Lake, and Azure Data Lake Storage^[1]

当今的公司正在处理许多不同类型，许多不同大小且以不同频率出现的数据。这些公司正在寻求超越传统数据架构的局限性，以对所有这些数据进行云弹性分析，数据科学和机器学习。解决传统数据体系结构的许多挑战的一种体系结构模式是Lakehouse 体系结构^[2]。

Lakehouse 将数据湖的低成本和灵活性与数据仓库的可靠性和性能相结合。Lakehouse 体系结构提供了几个关键功能，包括：

• 开放格式的可靠，可扩展且低成本的存储
• 使用 ACID 事务进行 ETL 和流处理
• 元数据，版本控制，缓存和索引编制，以确保查询时的可管理性和性能
• 用于 BI 和报告的 SQL API，以及用于数据科学和机器学习的声明性 DataFrame API

Lakehouse 原理和组成部分

在建造 Lakehouse 时，请牢记以下三个关键原则及其相关组成部分：

1. 一个存储所有数据的数据湖，有一个开源格式的管理层。数据湖应该能够容纳任何类型、大小和速度的数据。lake 中的管理数据格式应该是开放的，与云本地安全服务集成，并且应该支持 ACID 事务。
2. 建立在开放标准之上的基础计算层。 应该有一个基础计算层来支持所有核心的 Lakehouse 用例，包括管理数据湖（ETL 和流处理），数据科学和机器学习以及数据湖上的 SQL 分析。该层还应该建立在开放标准之上，以确保快速创新，并且是非锁定的和面向未来的。
3. 轻松集成额外的和（或）新的用例。 没有单一的服务可以做所有的事情。总是会有新的或额外的用例，它们不是核心 lakehouse 用例的一部分。这些新的或额外的用例通常需要专门的服务或工具。这就是为什么管理数据湖、基础计算层和其他服务和工具之间的容易集成是关键需求。

让我们看一下 Azure Databricks 以及 Azure Data Lake Storage 和 Delta Lake 如何使用这 3 条原则来帮助构建 Lakehouse 体系结构。

使用 Azure Data Lake Storage + Delta Lake 的开放式事务存储

第一个原则的一部分是有一个数据湖来存储所有的数据。Azure Data Lake 存储提供了一种廉价、安全的对象存储，能够存储任何大小、任何类型(结构化或非结构化)以及任何速度(快或慢)的数据。第一个原则的第二部分是让数据湖中的被管理数据以支持 ACID 事务的开放格式存在。公司通常使用Delta Lake^[3]来建立他们的数据湖的规划区域。Delta Lake 是一种基于 Parquet 的开放文件格式，可以存储在 Azure 数据湖存储中。在其他方面，它支持 ACID 事务(更新、删除，甚至合并)、时间旅行、模式演变（执行），以及作为源和同步的流。这些特性使得 Azure Data Lake 存储中使用的 Delta Lake 格式成为 Lakehouse 架构的首要原则的理想组件。

适用于核心 Lakehouse 用例的 Azure Databricks

上面讨论的第二个原则是在开放标准上构建一个基本的计算层，可以处理所有核心 Lakehouse 用例。Azure Databricks 中的Photon-powered Delta Engine（光驱动 Delta 引擎）^[4]是这些核心用例的理想层。Delta 引擎根植于 Apache Spark，支持所有 Spark API，并支持 SQL、Python、R 和 Scala。此外，Azure Databricks 还提供了其他开源框架，包括:

• 始终是 Spark 的最新最好版本，非常适合ETL（ELT），流处理^[5]分布式数据科学和 ML 以及数据湖上的 SQL 分析
• 针对 Delta Lake 文件格式的优化计算^[6]，包括数据跳过和数据源缓存功能，可实现更快的查询
• 预装了一个机器学习运行时^[7]，优化的模型开发和培训库。这也包括开源的Koalas^[8]，它使数据科学家能够使用在 Apache Spark 之上运行的 Pandas API 处理大数据。
• 紧密集成的MLflow^[9]可帮助开发，训练和操作（批处理，流或 API）数据科学和机器学习模型

Azure Databricks 还提供了一个协同工作区以及一个 Delta 引擎，该引擎包括一个集成的笔记本（Notebook）环境以及一个SQL Analytics 环境^[10]，旨在使分析师更轻松地在数据湖上编写 SQL，可视化结果，构建仪表板以及安排查询和警报。所有这些使 Azure Databricks 和 Delta 引擎成为核心 Lakehouse 用例的理想基础计算层。

其他（新）用例的集成服务

最终原则侧重于管理数据湖，基础计算层和其他服务之间的关键集成。这是必要的，因为总会有专门的或新的用例，而不是“核心的”Lakehouse 用例。同样，不同的业务领域可能更喜欢不同的或附加的工具（尤其是在 SQL 分析和 BI 空间中）。建立在 Azure Data Lake Storage，Delta Lake 和 Azure Databricks 上的 Lakehouse 为这些新的或专用的用例提供了轻松的集成。

• Azure Data Lake 存储是 Azure 中所有数据和 AI 服务支持的存储服务。
• Delta Lake 是一种开源存储格式，具有 Spark，Hive，Presto，Python，Scala 和 Java^[11]支持的接口。它还在Azure 服务^[12]（例如 Azure Synapse 和 Data Factory）中具有本机连接器，并且可以与其他服务（例如 Power BI，HDInsight 和 Azure 机器学习）一起使用。
• Azure Databricks 通过与Azure Data Factory^[13]，Power BI^[14]和Azure Synapse^[15]之类的服务的优化的安全连接紧密集成到 Azure 生态系统的其余部分中。该服务还包括REST API^[16]，命令行^[17]和JDBC 与 ODBC 接口^[18]，允许与几乎任何工具或服务集成。

综上所述，Lakehouse 架构模式由于其灵活性、成本效率和开放标准将继续被采用。使用 Azure Databricks、Delta Lake 和 Azure Data Lake Storage 构建架构，为 Lakehouse 用例提供了开放、可扩展和未来验证的基础。

参考资料