112 lines
5.9 KiB
Markdown
Executable File
112 lines
5.9 KiB
Markdown
Executable File
# Lakehouse без магии
|
||
|
||
Практический курс, после которого ты будешь уверенно работать с Lakehouse-стеком: поднимать стенд, строить пайплайн `raw -> bronze -> silver`, читать одну таблицу из двух движков и не бояться изменений в данных.
|
||
|
||
## Что ты получишь
|
||
|
||
После прохождения 8 модулей ты умеешь:
|
||
|
||
1. **Поднимать и диагностировать** локальный Lakehouse-стенд — не по инструкции, а с пониманием, что и зачем работает.
|
||
2. **Объяснять архитектуру** `storage + catalog + compute` — и видеть, как знакомые концепции из PostgreSQL/Greenplum ложатся на новый стек.
|
||
3. **Строить пайплайн** `raw -> bronze -> silver` на реальном датасете NYC Taxi — с проверками качества и воспроизводимостью.
|
||
4. **Работать с двумя движками** — записывать данные через Spark, читать через Trino, и понимать, почему это работает без копирования.
|
||
5. **Безопасно менять таблицы** — schema evolution, time travel, rollback к предыдущему состоянию вместо паники.
|
||
6. **Обслуживать таблицы** — compaction и expire_snapshots, с пониманием параллелей к VACUUM/REORGANIZE.
|
||
|
||
Курс рассчитан на `~12-15 часов` самостоятельной работы. Каждый модуль: объяснение, демонстрация, самостоятельное задание, checkpoint.
|
||
|
||
## Стек
|
||
|
||
Всё работает локально в Docker. Для первой сборки и скачивания учебных данных
|
||
нужен интернет; облачный аккаунт не требуется.
|
||
|
||
```mermaid
|
||
graph TB
|
||
U[Student / engineer]
|
||
|
||
subgraph Access
|
||
J[VS Code в браузере<br/>Jupyter notebooks / PySpark]
|
||
Q[Trino UI / CLI<br/>ad hoc SQL]
|
||
end
|
||
|
||
subgraph Compute
|
||
S[Spark cluster<br/>master + workers]
|
||
T[Trino 478<br/>Iceberg connector]
|
||
end
|
||
|
||
subgraph Shared Services
|
||
P[(PostgreSQL<br/>Iceberg JDBC catalog)]
|
||
M[(MinIO<br/>S3-compatible)]
|
||
end
|
||
|
||
U --> J
|
||
U --> Q
|
||
J --> S
|
||
Q --> T
|
||
S --> P
|
||
S --> M
|
||
T --> P
|
||
T --> M
|
||
```
|
||
|
||
| Компонент | Роль в стенде |
|
||
| --- | --- |
|
||
| `MinIO` | Storage — хранит данные и служебные файлы Iceberg |
|
||
| `PostgreSQL` | Catalog — метаданные JDBC-каталога `lakehouse` |
|
||
| `Spark` | Compute — ETL, запись и чтение Iceberg-таблиц |
|
||
| `Trino` | Compute — ad hoc SQL, чтение тех же таблиц |
|
||
| `code-server` | VS Code в браузере — ноутбуки курса, Python и терминал внутри Docker |
|
||
| `JupyterLab` | Запасной интерфейс для тех же ноутбуков |
|
||
|
||
Ноутбуки подключаются к Spark-кластеру с
|
||
[готовыми настройками стенда](./docs/stack_reference.md#spark).
|
||
|
||
## С чего начать
|
||
|
||
1. Открой [START_HERE.md](./START_HERE.md) — запуск стенда, диагностика, первый ноутбук.
|
||
2. Пройди `notebooks/01_environment_and_smoke_test.ipynb`.
|
||
3. Дальше по порядку: [docs/course_program.md](./docs/course_program.md).
|
||
|
||
Краткий запуск из корня репозитория:
|
||
|
||
```bash
|
||
docker compose pull minio minio-init postgres trino
|
||
docker compose build
|
||
docker compose up -d
|
||
docker compose ps
|
||
```
|
||
|
||
MinIO скачивается готовым из GHCR, его версия и digest закреплены. Если какой-то
|
||
источник недоступен из твоей сети, начни с
|
||
[инструкции по доступу к репозиториям](./docs/network_access.md).
|
||
|
||
После старта:
|
||
|
||
| UI | Адрес |
|
||
| --- | --- |
|
||
| VS Code в браузере | `http://localhost:8889` |
|
||
| JupyterLab (запасной интерфейс) | `http://localhost:8888` |
|
||
| Spark Master | `http://localhost:8080` |
|
||
| Trino | `http://localhost:8090` |
|
||
| MinIO Console | `http://localhost:9001` |
|
||
|
||
Открой ноутбук в браузерном VS Code и выбери Python внутри контейнера: локальный
|
||
Python и venv не нужны. Оба интерфейса доступны только с хоста стенда.
|
||
Первый запуск ноутбука описан в [START_HERE.md](./START_HERE.md#как-работать-с-ноутбуками).
|
||
|
||
## Документы для прохождения
|
||
|
||
- [START_HERE.md](./START_HERE.md) — первый маршрут: prerequisites, запуск, диагностика.
|
||
- [docs/course_program.md](./docs/course_program.md) — модульная структура и состав учебных материалов.
|
||
- [docs/stack_reference.md](./docs/stack_reference.md) — порты, команды, конфиги, шпаргалка.
|
||
- [docs/glossary.md](./docs/glossary.md) — справочник терминов (storage, catalog, compute, snapshot и др.).
|
||
|
||
## Менторство
|
||
|
||
Курс рассчитан на самостоятельное прохождение, но если хочешь разобрать темы глубже с ментором по Data Engineering — напиши: [@dementev_dev](https://t.me/dementev_dev).
|
||
|
||
## Лицензия
|
||
|
||
Материалы этого репозитория лицензированы на условиях Creative Commons Attribution 4.0 International (`CC BY 4.0`).
|
||
См. [LICENSE](./LICENSE).
|