mini-lakehouse-lab/plans/module-02-lakehouse-mental-model.md

Модуль 2. Ментальная модель Lakehouse: storage, catalog, compute

Статус: Ready for validation Последнее обновление: 2026-03-07

Цель

Убрать "магическое" восприятие Lakehouse и связать новую модель с привычным миром классических монолитных СУБД (PostgreSQL/Greenplum). Студент должен на практике увидеть физическое разделение ролей: где лежат данные, где хранятся метаданные, и кто выполняет вычисления.

Результат для студента

После прохождения модуля студент:

• понимает, что таблица в Lakehouse в практическом смысле — это согласованный набор файлов данных и метаданных;
• может проследить цепочку записи Spark -> catalog -> MinIO на примере маленькой demo-таблицы;
• осознает разницу между "одной базой данных" и набором независимых компонентов Lakehouse;
• умеет находить физические артефакты таблицы в объектном хранилище (MinIO);
• умеет находить записи о таблице в каталоге метаданных (PostgreSQL);
• не путает физическое хранение с логической таблицей.

Deliverables

• notebooks/02_lakehouse_mental_model.ipynb как основной ноутбук Модуля 2;
• Подготовленные диагностические шаги (например, вспомогательные функции в src/spark или запросы/скрипты прямо в ноутбуке) для инспекции MinIO и PostgreSQL;
• Обновление индекса планов в plans/README.md.

План работ

1. Подготовить структуру notebooks/02_lakehouse_mental_model.ipynb по методике курса: объяснение -> демонстрация -> самостоятельное повторение -> checkpoint.
2. Написать короткий теоретический блок с параллелями: классический DWH (Greenplum/Postgres) vs. Lakehouse (Storage + Catalog + Compute).
3. Сделать готовую демонстрацию: создание отдельного namespace (например, lakehouse.module_02) и небольшой demo-таблицы через Spark, запись пары строк. Для обеспечения идемпотентности и чистоты при повторном прохождении использовать CREATE OR REPLACE TABLE (или очистку таблицы перед записью) и конструкции IF NOT EXISTS для namespace.
4. Разработать шаги для инспекции:
   • запрос к PostgreSQL (каталогу метаданных), чтобы увидеть регистрацию таблицы;
   • запрос к MinIO (например, s3a list или boto3), чтобы увидеть появление файлов данных (parquet) и метаданных (json/avro).
5. Сформулировать самостоятельное задание: студент создает свою таблицу, пишет в нее данные и находит её следы в хранилище и каталоге.
6. Включить в конец ноутбука обязательный шаг очистки (cleanup) — удаление таблиц и namespace module_02, чтобы не оставлять мусор для следующих модулей.
7. Описать вопросы для Checkpoint.

Checkpoint

Студент должен уметь:

• показать конкретные файлы данных и метаданных созданной таблицы в MinIO (через UI или код);
• показать запись о таблице в PostgreSQL и объяснить, на что указывает поле metadata_location;
• объяснить, что произойдёт, если удалить файлы из MinIO, но не трогать каталог (или наоборот);
• сопоставить эти наблюдения с ролями storage и catalog.

Acceptance Criteria

• Ноутбук 02_lakehouse_mental_model.ipynb полностью раскрывает тему декомпозиции Lakehouse без глубокого погружения в спецификацию Iceberg.
• Демонстрации работают в локальном окружении (Jupyter) и наглядно показывают изменения в MinIO и PostgreSQL.
• Самостоятельное задание выполнимо на базе показанных примеров.
• Модуль 2 добавлен в индекс plans/README.md.

Риски

• Излишнее углубление во внутренности Iceberg-манифестов. Нужно держать фокус только на факте их наличия и разделения data/metadata.
• Доступность PostgreSQL/MinIO из Jupyter: необходимо убедиться, что в jupyter/Dockerfile установлены boto3 и psycopg2-binary, а также учитывать DNS-резолв postgres-iceberg из контейнера jupyter (сеть spark-net это позволяет, но могут быть нюансы).

Out of Scope

• Загрузка и чтение сырых данных (NYC Taxi) — отложено до Модуля 3.
• Сложные трансформации.
• Чтение одной таблицы двумя движками (Spark и Trino) — отложено до Модуля 6 (в этом модуле чтение демо-таблицы будет только через Spark SQL для базовой верификации записи).