timg (18).jpg

一、引言

数据元与元数据是数据工程领域中非常容易被混淆的两个概念。数据元相对来说更容易理解一些，就是对一个对象类的属性的完整表达。数据元的作用就是组成数据集或数据库，数据的内容也正是记录在一个个数据元里，比如户籍信息中，某人的姓名、性别、身份证号、籍贯等等的描述都体现在数据元中。

那么，元数据又是什么呢？文献[1]的说法比较能够切中要害：

1. 元数据本身也是一种数据元，是用一种一致、标准的方式来表达的数据元；
2. 元数据的每一个元素都是一个数据元，也就是说，描述元数据的属性时，应符合数据元的标准；
3. 元数据和数据元的字典格式是基本一致的；
4. 为使数据便于理解和使用，提供数据元的同时，应同时提供相关元数据。

文献[1]所提出的四个观点，很精练地阐明了元数据在形式上的特点：它也是一种数据元。但是，仍然与许多其他论文、书籍、标准一样，并没有说明白元数据存在的意义、作用和用法。下面，我就尝试着用最直白的语言阐明之。

二、元数据的意义与作用

如前所述，元数据也是一种数据元，它来自于数据元，但又比数据元层次高，具有一定的“共性”和“抽象”意味。

举个浅显的例子，一次人口普查，上海新增的人口名单为：

姓名	性别	籍贯	身份证号	……
张三	男	江西南昌	360XXX	……
李四	男	上海	310XXX
王五	男	湖北武汉	420XXX	……
……	……	……	……	……

在上海当地的信息系统中存储和维护这张数据表，不存在任何问题，但如果要上报到中央，或者与其他机构共享，这张表中的信息量就明显不够了，以为在“中央”或“其他机构”的视角中，这张表是哪个省市、是何时、由何机构生成的？这类信息都没有。这样，”中央“或”其他机构“将无法理解这张数据表的来龙去脉，自然也就无法”集成“和”共享“到他们的数据库之中。

实际上，我主观认为，上面这张表起初也是有省市、生成时间、生成机构这些信息的。

省市	生成时间	生成机构	姓名	性别	籍贯	身份证号	……
上海市	20XX.XX	某单位	张三	男	江西南昌	360XXX	……
上海市	20XX.XX	某单位	李四	男	上海	310XXX
上海市	20XX.XX	某单位	王五	男	湖北武汉	420XXX	……
……	……	……	……	……	……	……	……

但是，对于同一地区、同一机构普查出来的大量数据来说，这几种信息又是重复的、同一的。为了避免这些重复信息带来的存储空间浪费和升级维护难度，干脆将它们抽象出来，平时不体现，在需要维护或分享数据时，才与数据集一同分发。这样，就有了“元数据”。

所以，通过上面的例子，我们可以对元数据的作用和意义做如下总结：

1. 元数据是一个数据集合中的通用属性的结合体，其作用是避免数据冗余，方便数据共享，意义是减少维护成本，提高共享效率；

2. 元数据的一般作用在一个数据集上。一个数据集的数据量可以很大，但一般只有一个数据元。在提交数据集时，如果带上元数据信息，可使其在网络上的检索、定位和理解更加便利。

三、元数据的用法

元数据的用法，归根结底就是一句话：“配合数据集，描述数据元“。当然，前提是大家要对元数据的属性、结构和表示形成一套共识，也就是所谓“元数据标准”。否则，连格式都不一致，共享也就无从谈起。比较著名的元数据标准有《都柏林核心元数据标准（DC元数据标准）》、ISO 19115《地理信息元数据标准》等，国内也有了GB/T 18391系列标准。

四、元数据标准存在的意义

很简单，如果某个行业有了元数据标准，那么这个行业的数据工程标准体系结构就如：

元数据标准	数据元标准	模式与编码标准
	数据元标准1	模式与编码标准1
元数据标准	数据元标准2	模式与编码标准2
	数据元标准3	模式预编码标准3

这样，只要有一个或少数几个元数据标准就够了。反之，如果没有元数据标准，那么每个数据元标准都需要用冗长的篇幅，将本该在单个元数据标准中的内容重复记述在多个数据元标准中。

---

原创文章，欢迎批评指正。若要转载，须与本人先行沟通。

参考文献：

[1] 王丹，王文生. 元数据与数据元的内涵及其应用. 农业网络信息, 2015, 11.