Polostrukturovaná data mají určitou organizaci, ale nehodí se úhledně do tabulek. Do této kategorie spadají formáty JSON, XML, YAML a záhlaví e-mailů. Data mají tagy nebo klíče, které popisují jejich strukturu, ale struktura se může lišit záznam od záznamu. Jeden objekt JSON může mít pole, které jinému chybí. Jeden dokument XML může vnořovat prvky jinak než další. Schéma je flexibilní, někdy se mu říká schéma při čtení. Strukturu aplikujete při dotazování na data, nikoli při jejich ukládání.

Polostrukturovaná data jsou v moderních aplikacích běžná. API vracejí JSON. Soubory protokolů používají páry klíč-hodnota. Konfigurační soubory používají YAML. NoSQL databáze dokumentů ukládají JSON nativně. Flexibilita je užitečná, když se datový model vyvíjí nebo mění. Je to také výzva pro analýzu. Dotazování na polostrukturovaná data vyžaduje jiné nástroje a techniky než dotazování na tabulky. Je třeba se orientovat ve vnořených strukturách, zpracovávat chybějící pole a zplošťovat pole. SQL enginy se přizpůsobily. PostgreSQL, MySQL a Snowflake všechny podporují funkce JSON. Můžete se dotazovat uvnitř dokumentů JSON, aniž byste je nejprve extrahovali. Toto rozmazávání strukturovaných a polostrukturovaných dat činí toto rozlišení méně relevantním. Důležitou otázkou není, zda jsou data polostrukturovaná. Jde o to, zda je lze efektivně dotazovat.

Polostrukturované formáty

• JSON — páry klíč-hodnota, pole, vnořené objekty
• XML — označené prvky, hierarchické
• YAML — konfigurace čitelná člověkem
• CSV – oddělené, ale bez informací o typu
• Soubory protokolu – události s časovým razítkem a proměnnými poli

Polostrukturovaná data představují střední cestu. Mají dostatečnou strukturu, aby byla užitečná, a zároveň dostatečnou flexibilitu, aby způsobila nepřehlednost.