Adatinformátumok

Adatinformátumok azok a szabványok és módok, amelyek szerint az adatok kódolva, tárolva és továbbíthatók. Egy formátum meghatározza az adatok szerkezetét, típusait, kódolását és a validálási szabályokat, ezáltal lehetővé teszi a szoftverek közötti érthető váltást és az adattovábbítás megbízhatóságát.

Kialakításuk alapján három fő csoportot különböztetünk meg: struktúrált formátumokba tartoznak a CSV és TSV, valamint a Parquet és ORC, amelyek táblázatos adatokhoz ideálisak; félig strukturált formátumok például a JSON, XML és YAML; strukturálatlan formátumok közé sorolhatók a sima szövegek és a multimédiás tartalmak.

Gyakori kategóriák közé tartoznak a dokumentumformátumok (PDF, DOCX), a képfájlformátumok (JPEG, PNG, GIF), a hang- és videóformátumok (MP3, WAV, MP4) és az archívum- vagy konténerformátumok (ZIP, TAR). Ezek mind különböző célokra szolgálnak: hosszú távú megőrzés, hatékony tárolás, vagy könnyű feldolgozás.

Interoperabilitás és szabványosítás: nyílt formátumok előnyösebbek a hosszú távú hozzáférhetőség és a platformfüggetlenség szempontjából. Szabványokat dolgoznak ki a kódolásokról, a séma leírásáról és a feldolgozási konvenciókról (például UTF-8, XML Schema, JSON Schema), hogy a különböző rendszerek könnyen megértsék egymást. A megőrzésnél gyakran törekednek a hosszú távon olvasható, jól dokumentált formátumokra.

Választásnál figyelembe veendő szempontok: adatmennyiség, tömörítés és hozzáférési sebesség, emberi olvashatóság és gépi feldolgozhatóság, szükséges séma vagy validáció, kereshetőség és archiválási követelmények. A gyakorlati munka során eszközök és könyvtárak segítik a parsálást, serializer-folyamatokat és a formátumok közti konverziót.