Semistrukturierte Daten weisen zwar eine gewisse Struktur auf, lassen sich aber nicht einfach in Tabellen einordnen. JSON, XML, YAML und E-Mail-Header gehören alle in diese Kategorie. Die Daten besitzen Tags oder Schlüssel, die ihre Struktur beschreiben, diese kann jedoch von Datensatz zu Datensatz variieren. Ein JSON-Objekt kann ein Feld enthalten, das einem anderen fehlt. Ein XML-Dokument kann Elemente anders verschachteln als ein anderes. Das Schema ist flexibel, man spricht daher auch von Schema-on-Read. Die Struktur wird erst beim Abfragen der Daten festgelegt, nicht beim Speichern.

Semistrukturierte Daten sind in modernen Anwendungen weit verbreitet. APIs liefern JSON zurück. Protokolldateien verwenden Schlüssel-Wert-Paare. Konfigurationsdateien nutzen YAML. NoSQL-Dokumentendatenbanken speichern JSON nativ. Diese Flexibilität ist nützlich, wenn sich das Datenmodell weiterentwickelt oder ändert. Gleichzeitig stellt sie eine Herausforderung für die Analyse dar. Das Abfragen semistrukturierter Daten erfordert andere Werkzeuge und Techniken als das Abfragen von Tabellen. Man muss verschachtelte Strukturen navigieren, fehlende Felder behandeln und Arrays vereinfachen. SQL-Engines haben sich angepasst. PostgreSQL, MySQL und Snowflake unterstützen alle JSON-Funktionen. Man kann innerhalb von JSON-Dokumenten Abfragen durchführen, ohne sie vorher zu extrahieren. Diese Verschmelzung von strukturierten und semistrukturierten Daten führt dazu, dass die Unterscheidung an Relevanz verliert. Die entscheidende Frage ist nicht, ob Daten semistrukturiert sind, sondern ob man sie effektiv abfragen kann.

Halbstrukturierte Formate

• JSON – Schlüssel-Wert-Paare, Arrays, verschachtelte Objekte
• XML – getaggte Elemente, hierarchisch
• YAML – für Menschen lesbare Konfiguration
• CSV – durch Trennzeichen getrennt, aber ohne Typinformationen
• Protokolldateien – zeitgestempelte Ereignisse mit variablen Feldern

Semistrukturierte Daten stellen den Mittelweg dar. Sie besitzen genügend Struktur, um nützlich zu sein, und genügend Flexibilität, um unübersichtlich zu sein.