---
title: "Lakehouse"
id: "1347"
type: "page"
slug: "lakehouse"
published_at: "2026-08-15T23:32:29+00:00"
modified_at: "2026-08-16T10:41:52+00:00"
url: "https://pastukhov.com/analytics-agent/docs/lakehouse"
markdown_url: "https://pastukhov.com/analytics-agent/docs/lakehouse.md"
excerpt: "Lakehouse — файловый интерфейс к вашим данным: дерево папок в браузере, просмотр и запросы к…"
---

# Lakehouse

[https://pastukhov.com/analytics-agent/docs/lakehouse.md](https://pastukhov.com/analytics-agent/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

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

Структура: проект → источник → файлы и подпапки. В интерфейсе — путь вида `/lakehouse/{проект}/{источник}`, главная страница показывает все комбинации проекта и источника, отсортированные по свежести файлов. Корень задаётся переменной `ANALYTICS_LAKEHOUSE_PATH`.

## 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.

## 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. Для Python-аналитики файлы читаются и из Jupyter-блоков — подробнее в разделе [Jupyter Notebooks](/analytics-agent/docs/jupyter)
.

[← Оглавление документации](/analytics-agent/docs)