什么是数据湖？

数据湖是一个以原始格式存储数据的存储库或系统，最早由一个大数据厂商提出。数据湖通过使用可向外扩展的廉价存储硬件，来实现数据的扩展性，通常用于承载大量的不同类型的数据，包括结构化数据，半结构化数据，非结构化数据和二进制数据。它按原样存储数据，无需事先对数据进行结构化处理，被认为是新一代的大数据基础设施。

一般来说，数据湖具有保真性、灵活性、可管理、可追溯等特点。

1.保真性：数据湖中存储的数据保持原始状态，是一份原始数据的副本，不被修改和加工。

2.灵活性：数据湖可以存储多种类型的数据，包括结构化数据、半结构化数据和非结构化数据等。这种灵活性使得数据湖特别适用于创新性企业，可以在不同的业务场景下提供不同的服务接口，以满足不同的需求。

3.可管理性：数据湖中的数据需要被有效地管理，包括数据的来源、连接、格式、模式和权限等方面。这需要数据湖具备足够的数据管理能力，以确保数据的安全和可靠性。

4.可追溯性：数据湖需要对数据的全生命周期进行管理，包括数据的定义、接入、存储、处理、分析、应用的全过程。数据湖需要能够追踪数据的存储和处理过程，以便能够清楚地重现数据完整的产生过程和流动过程。