dataformaattia

Dataformaatti (data format) tarkoittaa sääntöjen ja rakenteiden kokonaisuutta, jolla tieto voidaan tallentaa, välittää ja käsitellä. Se määrittelee, miten tiedot on jäsennetty, millaisia kenttiä niissä on, missä järjestyksessä ne esiintyvät ja miten merkit sekä merkkijonot koodataan.

Formaatti voidaan jakaa tekstimuotoisiin ja binäärisiin. Tekstimuodot kuten CSV, JSON, XML ja YAML ovat yleensä ihmisluettavissa ja helposti muokattavissa, kun taas binääriset muodot kuten Parquet, Avro ja Protobuf ovat tehokkaita tallennuksessa ja laskennassa, mutta niiden lukeminen edellyttää soveltuvaa parsintaa sekä skeemaa.

Ominaisuuksiin kuuluvat skeema tai sen puuttuminen, metatiedot sekä valinnat kuten koodaus (esim. UTF-8). Monissa formaateissa skeema mahdollistaa validoinnin JSON Schema, XML Schema tai vastaavilla menetelmillä. Lisäksi on erityisiä tietovirtojen formaatteja, kuten JSON Lines (NDJSON), jotka soveltuvat suurten tietomassojen jatkuvaan käsittelyyn.

Käyttökohteita ovat järjestelmien välinen tiedonvaihto, sovellusrajapinnat, tiedon tallennus suurissa tietovarastoissa sekä suorituskykypainotteinen datankäsittely. Formaattivalinta vaikuttaa luettavuuteen, siirtopaineeseen, skaalautuvuuteen ja yhteensopivuuteen vanhempien järjestelmien kanssa. Skeeman hallinta ja versiointi ovat usein keskeisiä suunnittelukysymyksiä.