概要

データ分析基盤にてよく用いられるファイル形式を整理します。

データ分析基盤で用いるファイル形式と利用指針

番号	フォーマット	説明	データ分析基盤での利用推奨
1	区切り型テキストファイル（CSV、TSV）	カンマ区切り、あるいは、タブ区切りによりデータを保持したファイルフォーマットであり、容易に利用できる。データストアに取り込む際には、最も高速に取り込むことができることが多い。	データレイク：× 業務システム：〇バッチレイヤーへの連携時：〇サービスレイヤーへの連携時：〇リアルタイム処理時：〇データ連携サービス：〇クエリエンジン：×
2	json	システムで利用されるデータ形式。	×
3	xml	システムで利用されるデータ形式。	×
4	Apache Parquet	列指向のデータ形式。スキーマの自動読み込みが可能。	データレイク：〇業務システム：× バッチレイヤーへの連携時：〇サービスレイヤーへの連携時：× リアルタイム処理時：× データ連携サービス：〇クエリエンジン：◎
5	Delta Lake	ACID特性などを保持させなどのParquetを拡張させたデータ形式。データレイクにおけるスタンダードとなりそうなファイル形式。ただし、利用するサービスで対応しているか確認する必要がある。	データレイク：◎ 業務システム：× バッチレイヤーへの連携時：× サービスレイヤーへの連携時：× リアルタイム処理時：〇データ連携サービス：〇クエリエンジン：〇
6	Apache Avro	スキーマ情報を保持しており、システム間でデータ交換を行うための行指向のデータ形式。	データレイク：× 業務システム：× バッチレイヤーへの連携時：◎ サービスレイヤーへの連携時：× リアルタイム処理時：◎ データ連携サービス：〇クエリエンジン：×
7	ORC	Hiveの処理に最適化された列指向のデータ形式。	×
8	Common Data Model	標準の共通データモデル形式のスキーマ化されたデータとして保存するデータ形式。	データレイク：× 業務システム：◎ バッチレイヤーへの連携時：× サービスレイヤーへの連携時：× リアルタイム処理時：× データ連携サービス：〇クエリエンジン：×

Q&A