mini-lakehouse-lab/docs/archive/legacy_howto.md

Legacy HOWTO: ранние лабораторные по Lakehouse-стенду

Этот документ сохранён как архивный материал и не является актуальным учебным маршрутом для курса Lakehouse без магии.

Зачем он сохранён:

• в нём есть полезные ранние учебные сценарии и привязка к существующим demo-скриптам;
• он помогает понять, как эволюционировал стенд и какие практики уже когда-то обкатывались;
• его можно использовать как reference при создании новых ноутбуков и стартовой документации.

Почему это legacy:

• документ был написан до текущего PRD и новой программы курса;
• он смешивает актуальные темы с темами вне обязательного трека v1, например с отдельной лабой про партиционирование;
• он не соответствует новой структуре материалов README -> START_HERE -> course_program -> notebooks.

Ниже сохранено исходное содержимое старого HOWTO.md почти без изменений.

---

HOWTO: Учебные лабораторные по Lakehouse-стенду

Этот файл описывает пошаговые учебные сценарии (лабораторные работы), которые можно выполнять поверх стенда из docker-compose.yml.

Перед началом работ смотри разделы «Сборка и запуск» и «Доступ к сервисам» в README.md — там описано, как поднять стенд и на каких портах доступны Trino, MinIO, Spark и Jupyter.

Лабораторки опираются на примеры в src/:

• src/spark/cluster_smoke.py — проверка, что Spark-кластер жив.
• src/spark/iceberg_demo.sql — первая Iceberg-таблица в Spark.
• src/spark/iceberg_smoke.py — Spark создаёт Iceberg-таблицу и читает её.
• src/trino/iceberg_smoke.sql — Trino читает таблицу, созданную в Spark.

Все команды ниже выполняются из корня репозитория.

Краткая карта лабораторных:

• Лаба 0 — стенд поднят, Spark-кластер жив.
• Лаба 1 — первая Iceberg-таблица в Spark.
• Лаба 2 — общий каталог Spark ↔ Trino.
• Лаба 3 — партиционирование и эволюция схемы.
• Лаба 4 — мини-ETL поверх Lakehouse (эскиз).

---

Лаба 0. Стенд поднят, Spark-кластер жив

Цель

• Убедиться, что все контейнеры поднялись.
• Проверить, что Spark-кластер (master + workers) работает.

Предусловия

• Установлены Docker и Docker Compose.
• Репозиторий склонирован локально.

Шаги

1. Собрать и поднять стенд:

   docker compose build
   docker compose up -d
   

2. Проверить статус контейнеров:

   docker compose ps
   

   Ожидаем, что spark-master, spark-worker-1, spark-worker-2 в статусе Up.

3. Запустить smoke-скрипт кластера из контейнера spark-master:

   docker compose exec spark-master \
     /opt/spark/bin/spark-submit /opt/src/spark/cluster_smoke.py
   

4. Открыть Web UI Spark:

• http://localhost:8080 — мастер.
• http://localhost:8081 и http://localhost:8082 — воркеры.

Ожидаемый результат

• cluster_smoke.py выполняется без ошибок.
• В Web UI видно приложение, прошедшее через кластер.

---

Лаба 1. Первая Iceberg-таблица из Spark

Цель

• Создать Iceberg-таблицу с помощью Spark SQL.
• Посмотреть файлы таблицы в MinIO (warehouse/default/demo_tbl/...).

Предусловия

• Стенд запущен (лаба 0 выполнена).

Шаги

1. Подключиться к Spark SQL в контейнере:

   docker compose exec -it spark-master \
     /opt/spark/bin/spark-sql
   

2. Выполнить учебный SQL-скрипт:

• Внутри интерактивной сессии spark-sql:

  :r /opt/src/spark/iceberg_demo.sql
  

• Либо одним вызовом (без интерактивного режима):

  docker compose exec spark-master \
    /opt/spark/bin/spark-sql -f /opt/src/spark/iceberg_demo.sql
  

3. Зайти в MinIO Console:

• Адрес: http://localhost:9001
• Учётные данные по умолчанию: minioadmin / minioadmin (см. docker-compose.yml).

4. Найти файлы таблицы:

• Бакет lakehouse.
• Префикс warehouse/default/demo_tbl/.
• Обратить внимание на структуру Iceberg: каталоги metadata/, data/ и т.д.

Ожидаемый результат

• В Spark запрос

  SELECT * FROM lakehouse.default.demo_tbl;
  

  возвращает данные.

• В MinIO видна структура Iceberg-таблицы: служебные файлы и файлы данных.

---

Лаба 2. Общий каталог Spark ↔ Trino

Цель

• Показать, что Spark и Trino используют общий Iceberg-каталог (метаданные в Postgres, данные в MinIO).
• Создать таблицу из Spark и прочитать её через Trino.

Предусловия

• Стенд запущен.
• Лаба 1 не обязательна, но полезна для понимания структуры файлов.

Шаги

1. Создать таблицу и записать данные из Spark (PySpark-скрипт):

   docker compose exec spark-master \
     /opt/spark/bin/spark-submit /opt/src/spark/iceberg_smoke.py
   

2. Убедиться в Spark, что таблица существует:

   docker compose exec -it spark-master \
     /opt/spark/bin/spark-sql
   

   В интерактивной сессии:

   USE lakehouse.default;
   SHOW TABLES;
   SELECT * FROM spark_trino_smoke;
   

3. Прочитать ту же таблицу из Trino:

• Вариант через заранее скопированный SQL-файл (как в README):

  docker compose cp src/trino/iceberg_smoke.sql trino:/tmp/
  docker compose exec trino trino --file /tmp/iceberg_smoke.sql
  

• Либо интерактивно внутри Trino CLI:

  docker compose exec -it trino trino --catalog lakehouse
  

  Внутри CLI:

  USE lakehouse.default;
  SHOW TABLES;
  SELECT * FROM spark_trino_smoke;
  

Ожидаемый результат

• Таблица spark_trino_smoke видна и в Spark, и в Trino.
• Данные совпадают (например, строка 1, from_spark).

---

Лаба 3. Партиционирование и эволюция схемы

Цель

• Показать, как Iceberg работает с партиционированием (фильтрация по partition key, уменьшение объёма чтения).
• Показать, как Iceberg поддерживает эволюцию схемы без сложных миграций.

Предусловия

• Стенд запущен.
• Желательно выполнить Лабы 1–2, чтобы уже была интуиция про Iceberg и общий каталог.

Подготовленные примеры

• src/spark/partitioned_table_demo.sql — создание партиционированной Iceberg-таблицы и вставка данных.
• src/spark/schema_evolution_demo.sql — демонстрация ALTER TABLE и добавления колонок.
• src/trino/schema_evolution_demo.sql — чтение той же таблицы с эволюцией схемы из Trino.
• интерактивный ноутбук для этой legacy-лабы удалён из актуального репозитория, чтобы не смешивать его с основным треком курса.

Вариант A: через Spark SQL и Trino CLI

1. Создать партиционированную таблицу в Spark:

   docker compose exec spark-master \
     /opt/spark/bin/spark-sql -f /opt/src/spark/partitioned_table_demo.sql
   

2. Проверить в Spark, какие данные записаны по датам:

   docker compose exec -it spark-master \
     /opt/spark/bin/spark-sql
   

   Внутри интерактивной сессии:

   USE lakehouse.default;
   SELECT event_date, COUNT(*) AS cnt, SUM(amount) AS total_amount
   FROM partition_demo
   GROUP BY event_date
   ORDER BY event_date;
   

3. Подготовить таблицу с эволюцией схемы:

   docker compose exec spark-master \
     /opt/spark/bin/spark-sql -f /opt/src/spark/schema_evolution_demo.sql
   

4. Посмотреть схему и данные в Spark:

   docker compose exec -it spark-master \
     /opt/spark/bin/spark-sql
   

   Внутри:

   USE lakehouse.default;
   DESCRIBE TABLE schema_evolution_demo;
   SELECT * FROM schema_evolution_demo ORDER BY id;
   

5. Прочитать таблицу с эволюцией схемы из Trino:

   docker compose cp src/trino/schema_evolution_demo.sql trino:/tmp/
   docker compose exec trino trino --file /tmp/schema_evolution_demo.sql
   

Вариант B: через Jupyter вручную

• Открыть http://localhost:8888, если нужен самостоятельный разбор SQL-примеров в Jupyter.
• Повторить те же шаги вручную в кодовых ячейках:
  • создать SparkSession, подключённый к кластеру;
  • выполнить скрипты partitioned_table_demo.sql и schema_evolution_demo.sql;
  • посмотреть агрегаты по партициям и данные до/после эволюции схемы в интерактивном виде.

---

Лаба 4. Мини-ETL поверх Lakehouse (эскиз)

Идея лабы — собрать end-to-end сценарий:

• есть сырые данные (CSV/JSON) в S3/MinIO;
• Spark читает raw-данные, чистит и пишет в Iceberg-таблицу;
• Trino делает поверх неё аналитику.

Планируемые компоненты:

• Папка с примерами сырых данных (например, examples/raw/ в репозитории, затем загрузка в MinIO).
• src/spark/etl_raw_to_iceberg.py — мини ETL, записывающий данные в lakehouse.default.events или аналогичную таблицу.
• src/trino/etl_analytics.sql — несколько аналитических запросов поверх этой таблицы.

Детали реализации можно развивать по мере появления новых сценариев.