Datatiedostoissa

Datatiedostoissa tarkoitetaan tiedostoja, jotka pääasiallisesti sisältävät dataa ja joita käytetään käsittelyyn tai analysointiin. Niihin ei yleensä tallenneta ohjelmakoodia tai käyttöliittymäkomponentteja, vaan tiedostot voivat sisältää taulukkotietoja, kuvia, äänitietoa tai tekstuaalista aineistoa. Datatiedostoja on lukuisia ja niitä voidaan luokitella sen mukaan, miten data on tallennettu: strukturoituna, semi-strukturoituna tai epästrukturoituna.

Strukturoitua dataa esiintyy usein taulukkomuodossa, kuten CSV- tai TSV-tiedostoina sekä relaatiotietokantojen vienteinä. Rakenteelliset muodot kuten JSON ja XML kuvaavat hierarkkista dataa ja helpottavat ohjelmallista lukemista. Epästrukturoitua dataa ovat esimerkiksi suurikokoiset kuvat, videot tai vapaa-tekstinen materiaali, jossa tieto ei ole järjestetty rakenteellisesti.

Tekstin tallennuksessa käytetään yleisesti UTF-8-merkkikoodausta, mutta joissakin järjestelmissä voidaan käyttää myös muita koodauksia. Tiedoston metatieto voi olla sisäistä (tiedoston otsikko, luonti- ja muokkauspäivämäärä sekä tiedostokoko) tai erillisessä sidecar-tiedostossa. Lisäksi rivin- ja tiedostonenoinnit sekä päiväyksen kulttuurisidonnaiset muodot voivat vaikuttaa datan lukemiseen eri ympäristöissä.

Kun datatiedostoja siirretään tai jaetaan, yhteensopivuus on tärkeää. Siksi monissa yhteyksissä suositaan vakiomuotoja kuten CSV, JSON ja XML, sekä sovittuja merkkijonointitapoja ja standardeja. Tiedon eheys varmistetaan varmuuskopioinnilla, tarkoituksellisella versioinnilla sekä tarkistussummilla (esim. SHA-256).

Tietoturvaan kuuluu pääsyrajoitukset, salaus levossa ja siirrossa sekä mahdollinen tietosuoja, jos tiedosto sisältää henkilötietoja. Hyödynnetään myös metadataa ja systemaattista tiedostojen hallintaa, jotta data voidaan myöhemmin hakea, päivittää ja yhdistää eri järjestelmissä.