Los datos semiestructurados tienen cierta organización, pero no se ajustan perfectamente a tablas. JSON, XML, YAML y las cabeceras de correo electrónico entran en esta categoría. Los datos tienen etiquetas o claves que describen su estructura, pero esta puede variar de un registro a otro. Un objeto JSON puede tener un campo que otro no tiene. Un documento XML puede anidar elementos de forma diferente al siguiente. El esquema es flexible, a veces llamado esquema en lectura. La estructura se aplica al consultar los datos, no al almacenarlos.

Los datos semiestructurados son comunes en las aplicaciones modernas. Las API devuelven JSON. Los archivos de registro utilizan pares clave-valor. Los archivos de configuración utilizan YAML. Las bases de datos de documentos NoSQL almacenan JSON de forma nativa. Esta flexibilidad resulta útil cuando el modelo de datos evoluciona o varía. Sin embargo, también supone un reto para el análisis. Consultar datos semiestructurados requiere herramientas y técnicas diferentes a las de consultar tablas. Es necesario navegar por estructuras anidadas, gestionar campos faltantes y aplanar matrices. Los motores SQL se han adaptado. PostgreSQL, MySQL y Snowflake admiten funciones JSON. Se pueden realizar consultas dentro de documentos JSON sin extraerlos previamente. Esta difuminación de la distinción entre datos estructurados y semiestructurados hace que la diferencia sea menos relevante. La cuestión importante no es si los datos son semiestructurados, sino si se pueden consultar de forma eficaz.

Formatos semiestructurados

• JSON: pares clave-valor, matrices, objetos anidados
• XML — elementos etiquetados, jerárquicos
• YAML: configuración legible para humanos
• CSV — delimitado pero sin información de tipo
• Archivos de registro: eventos con marca de tiempo y campos variables.

Los datos semiestructurados representan un punto intermedio. Tienen la estructura suficiente para ser útiles y la flexibilidad suficiente para ser desordenados.