Semistrukturerad data har viss organisation men passar inte snyggt in i tabeller. JSON, XML, YAML och e-postrubriker faller alla inom denna kategori. Data har taggar eller nycklar som beskriver dess struktur, men strukturen kan variera från post till post. Ett JSON-objekt kan ha ett fält som ett annat saknar. Ett XML-dokument kan kapsla element på ett annat sätt än nästa. Schemat är flexibelt, ibland kallat schema-on-read. Du tillämpar struktur när du frågar efter data, inte när du lagrar dem.

Semistrukturerad data är vanligt i moderna applikationer. API:er returnerar JSON. Loggfiler använder nyckel-värdepar. Konfigurationsfiler använder YAML. NoSQL-dokumentdatabaser lagrar JSON direkt. Flexibiliteten är användbar när datamodellen utvecklas eller varierar. Det är också en utmaning för analys. Att fråga efter semistrukturerad data kräver andra verktyg och tekniker än att fråga efter tabeller. Du måste navigera i kapslade strukturer, hantera saknade fält och platta ut arrayer. SQL-motorer har anpassat sig. PostgreSQL, MySQL och Snowflake stöder alla JSON-funktioner. Du kan fråga inuti JSON-dokument utan att först extrahera dem. Den suddiga skillnaden mellan strukturerad och semistrukturerad data gör skillnaden mindre relevant. Den viktiga frågan är inte om data är semistrukturerad. Det är om du kan fråga efter den effektivt.

Semistrukturerade format

• JSON — nyckel-värde-par, arrayer, kapslade objekt
• XML — taggade element, hierarkiska
• YAML — läsbar konfiguration
• CSV — avgränsad men ingen typinformation
• Loggfiler — tidsstämplade händelser med variabla fält

Semistrukturerad data är medelvägen. Den har tillräckligt med struktur för att vara användbar och tillräckligt med flexibilitet för att vara rörig.