---
title: "Lakehouse"
id: "1347"
type: "page"
slug: "lakehouse"
published_at: "2026-08-15T23:32:29+00:00"
modified_at: "2026-10-17T12:50:57+00:00"
url: "https://pastukhov.com/agents/analytics/docs/lakehouse/"
markdown_url: "https://pastukhov.com/agents/analytics/docs/lakehouse.md"
excerpt: "Lakehouse — файловый интерфейс к вашим данным: дерево папок в браузере, просмотр и запросы к…"
---

# Lakehouse

[https://pastukhov.com/agents/analytics/docs/lakehouse/.md](https://pastukhov.com/agents/analytics/docs/lakehouse/.md)

Lakehouse — файловый интерфейс к вашим данным: дерево папок в браузере, просмотр и запросы к файлам без настройки источников данных. Положили файл в папку — и уже строите по нему отчёт.

## Структура

```
/data/
├── ProjectName/
│   ├── DataSource1/
│   │   ├── file.md
│   │   ├── data.parquet
│   │   ├── database.sqlite
│   │   └── subfolder/
│   └── DataSource2/
└── AnotherProject/
```

Структура: проект → источник → файлы и подпапки. В интерфейсе — путь вида `/data/{проект}/{источник}`, главная страница показывает все комбинации проекта и источника, отсортированные по свежести файлов. Корень задаётся переменной `ANALYTICS_APP_LAKEHOUSE_PATH` (по умолчанию `/data`) — в общей установке с Data Agent это та же папка, куда его скрипты складывают данные.

## Поддерживаемые форматы

- **Markdown** — просмотр как готовой документации по данным: описания таблиц, глоссарии, методички;
- **Parquet** — чтение через Apache Arrow: схема файла и запросы без настройки источников;
- **SQLite** — запросы к файлам баз через общий query pipeline, как к обычному источнику;
- **Excel** — таблицы `.xls` и `.xlsx`, в том числе сжатые: лист можно выбрать, данные листаются постранично;
- **PDF** — документ открывается прямо в браузере, скачивать его не нужно;
- **Логи и сжатый текст** — `.log`, `.txt`, `.csv` и другие текстовые файлы, в том числе архивы `.gz`: постраничный просмотр с начала файла.

## API

- содержимое папок и файлов;
- схема Parquet- и SQLite-файлов;
- запросы к файлам прямо из файлового браузера.

## Сценарий

Экспортировали данные в Parquet, собрали SQLite-файл, написали документацию в Markdown — просто положите всё в папку Lakehouse. Файлы сразу видны в браузере, по ним работают запросы, а отчёты подключают их как данные. Особенно удобны SQLite-файлы: база из корня папки сразу становится готовым источником, его не нужно настраивать. Для Python-аналитики файлы читаются и из Jupyter-блоков — подробнее в разделе [Jupyter Notebooks](/agents/analytics/docs/jupyter)
.

Данные в Lakehouse обычно наполняет Data Agent: его скрипты складывают сюда Parquet-файлы и собирают из них SQLite-базу. Как устроена эта связка — на странице [Данные для Analytics Agent](/agents/data/docs/for-analytics)
.

[← Оглавление документации](/agents/analytics/docs)