Apache Iceberg: Индиана Джонс и Каталог судьбы в Lakehouse

В феврале этого года проект с красивым именем Polaris незаметно стал полноценным проектом фонда Apache. Новость прошла как-то мимо, ну стал и стал, мало ли. Между тем это одна из тех новостей, которые лет через пять, возможно, будут называть поворотной точкой. Потому что Polaris — это каталог. А каталог в мире Iceberg — то самое место, где на самом деле лежит власть над вашими данными.

Звучит громко, понимаю. Поясню, откуда такая уверенность.

Последние несколько лет хранилища данных строят по новой схеме: файлы лежат в объектном хранилище, поверх них открытый формат в виде метаданных, движки обработки живут отдельно в виде федеративного обработчика и ходят за данными. Схему назвали лейкхаусом (Data LakeHouse), а формат в ней почти везде один и тот же — Apache Iceberg. Вендоры за него отвоевались, открыли и согласовали, и все выдохнули. Данные наконец-то ничьи (формат parquet): лежат у вас, читаются чем угодно, никакой платформы-хозяина.

Выдохнули рано. Зависимость от вендора никуда не делась, она переехала на другой уровень — в каталог. Сервис с виду лаконичный, держит одну-единственную вещь, указатель на актуальную версию таблицы. Заодно через него идут права доступа и временные ключи от хранилища. Получается, кто держит каталог, тот и решает, какие движки увидят ваши данные, а какие останутся снаружи.

Начнём даже не с каталогов, а на шаг раньше — с того, что такое вообще Iceberg, вокруг которого последний год прыгают все вендоры.

Коротко

• Apache Iceberg — открытый способ описать «таблицу» поверх обычных файлов (Parquet) в объектном хранилище, то есть дать конечному пользователю возможность работать с кучей файлов как с единой таблицей данных и выполнять к этой таблице SQL-запросы. Он добавляет к россыпи файлов слой метаданных: какие файлы прямо сейчас входят в таблицу, какая схема, какие были версии.

• Это даёт то, чего у набора простых файлов не было, то есть он превращает набор однородных файлов в единую таблицу. Это дает возможность использовать транзакции, откат к прошлым версиям, эволюцию схемы, и главное — одну таблицу могут читать и писать сразу несколько движков (Spark, Trino, ClickHouse, DuckDB).

• Но у Iceberg есть уязвимое место: метаданные это тоже файлы, и кто-то должен атомарно держать указатель на «сейчас актуальную версию». Этим занимается каталог.

• Без каталога, на голом S3, два одновременных писателя затирают друг друга, коммит теряется, в логах при этом ошибок нет.

• Формат данных все вендоры открыли и согласовали. Поэтому борьба переехала на каталог. Кто держит каталог, тот держит права доступа и решает, какие движки вообще увидят ваши данные.

• Polaris (изначально от Snowflake, теперь проект Apache) — один из главных претендентов на роль этого каталога. Метаданные он, кстати, держит в обычной реляционной базе, на практике в PostgreSQL.

Зачем вообще появился Iceberg

Представьте, что у вас озеро данных. В миру это означает что где-то, в объектном хранилище (S3, или в вашем ЦОДе что-то S3-совместимое) лежат тысячи файлов в формате Parquet (предположим это выгрузка продаж за каждый день). Parquet — хороший колоночный формат, компактный, быстрый на чтении, но есть одна проблема.

Куча файлов — это ещё не таблица.

Смотрите, что вы не можете сделать с голой папкой Parquet-файлов. Не можете нормально удалить или обновить строку, файлы неизменяемы, надо переписывать целиком. Не можете спросить «а как эта таблица выглядела в прошлый вторник» — никакой истории нет. Не можете безопасно писать в неё с двух заданий разом, они устроят гонку и попортят друг другу данные. Не можете поменять схему (добавить колонку) без плясок с бубном. Если один инструмент решил, что «таблица» — это файлы с 1 по 100, а другой в это время дописал 101-й, они друг про друга не знают.

Долгое время эту роль пытался играть Hive — старая добрая инфраструктура из мира Hadoop. Он вёл список: вот такая-то таблица состоит из вот таких-то папок. Работало, но с оговорками, которые к нынешним объёмам и требованиям превратились в постоянную головную боль.

Вот тут и появляется Iceberg. Придумали его в Netflix, отдали в Apache, и за несколько лет он стал стандартом де-факто.

Что же такое Iceberg

Iceberg не хранит данные (они по-прежнему лежат в вашем S3) и ничего не считает (это работа движков). Iceberg — спецификация, договорённость о том, как поверх обычных файлов описать полноценную таблицу.

Работает это так. Рядом с файлами данных Iceberg держит слой метаданных — несколько служебных файлов, которые описывают, что вообще происходит с таблицей. Если совсем упрощать, там записано три вещи: какие именно файлы данных прямо сейчас составляют таблицу, какая у таблицы схема (колонки и их типы), и какие у неё были предыдущие состояния.

Вот это «предыдущие состояния» — ключевое. Каждый раз, когда вы что-то пишете в Iceberg-таблицу, он оставляет старое нетронутым и создаёт новую версию описания — новый снимок, снапшот. Старые снимки остаются лежать, и почти все приятные свойства Iceberg растут именно отсюда.

Что вы получаете взамен россыпи файлов:

Транзакции. Запись либо целиком применилась, либо целиком нет, как в нормальной базе, без «полтаблицы обновилось, а на середине упало».

Путешествие во времени. Можно спросить таблицу «покажи, как ты выглядела на прошлой неделе», и она покажет, потому что тот снимок никуда не делся. Для аналитики, аудита и разбора инцидентов это бесценно. Отчёт разошёлся с ожиданиями, откатились на снимок трёхдневной давности и сравнили.

Эволюция схемы. Добавить колонку, переименовать, поменять тип — без переписывания всех данных. Iceberg отслеживает колонки по внутренним идентификаторам (имена и позиции могут меняться), поэтому старые файлы продолжают читаться корректно.

Самое же, на мой взгляд, важное, ради чего всё и затевалось, данные больше не находятся внутри одной системы. Раньше, чтобы работать с таблицей, вы заводили её в конкретную платформу, в основном СУБД (Oracle, MS SQL, Postgres и прочие), и данные становились её заложником: чужой формат, чужой движок, вендор диктует и правила, и цену. Iceberg это нивелирует. Таблица лежит в открытом формате на дешёвом объектном хранилище, сама по себе, отдельно от того, кто её читает и считает. Отсюда, кстати, растёт и та самая мультидвижковость. Раз данные ничьи, к ним можно обращаться при помощи Spark, Trino, ClickHouse или DuckDB на ноутбуке аналитика, все увидят одну и ту же таблицу. Подчеркну важное: это Ценно даже если движок у вас всего один, потому что смысл здесь глубже, чем натравить на данные пять инструментов. Хранилище перестало быть частью вендорской платформы и масштабируется само по себе — дёшево, горизонтально и независимо от того, чем вы эти данные обрабатываете.

Чтобы это не висело в воздухе, вот живой пример из практики. Представьте поток данных в Kafka, скажем изменения из боевой базы, которые туда льёт Debezium. Дальше их надо сложить в озеро, и делается это Kafka Connect. Возьмёте обычный S3-коннектор, он разложит данные по бакету простыми .parquet-файлами, и на руках у вас окажется та самая россыпь файлов: файлы есть, а таблицы нет.

Теперь поменяйте его на Iceberg-коннектор. Поток тот же самый, файлы генерируются теже, но на выходе получается уже полноценная таблица. Под капотом всё те же parquet ложатся в то же хранилище, только каждый файл сразу прикрепляется к метаданным Iceberg и попадает в таблицу атомарным коммитом. Снаружи это ведёт себя как обычная таблица. Идёшь к ней с SQL из любого движка, есть история версий, всё как положено. Вот она, разница между «положить файл» и «записать в таблицу», во всей красе.

Есть, правда, и оборотная сторона: при такой потоковой записи мелких файлов быстро набегает много, и таблицу приходится периодически прибирать, склеивать их и подчищать старые снимки. Работы немного, занимаются ею стандартные механизмы обслуживания, но держать её в голове надо.

Да, всё красиво, но именно тут и скрывается одна ключевая вещь ради которого вся статья.

Вещь, которую надо подсветить ярче

Метаданные Iceberg — это ведь тоже файлы. Тот самый верхний файл-описание, где записано «актуальная версия таблицы вот такая», физически лежит в том же объектном хранилище.

Теперь вопрос на засыпку. Приходят два процесса писать в таблицу одновременно. Каждый берёт текущую версию, добавляет свои данные, готовит новую версию описания. Оба хотят сказать: «Всё, теперь актуальная версия — моя». Кто-то же должен рассудить, чья версия станет новой официальной, причём мгновенно и без вариантов.

Вот эту работу — держать указатель на единственно верную, текущую версию таблицы и атомарно его переключать — и выполняет каталог.

Это и есть его назначение, если убрать всю мишуру. Каталог хранит буквально одну вещь: указатель на текущий файл метаданных таблицы. Всё остальное — схема, история, списки файлов — лежит в самих метаданных в хранилище. Каталог держит только указатель: «вот сейчас правильная версия — эта».

Запомните это, потому что вокруг каталогов много всякого шума и невнятного бубнежа, а суть — вот такая скромная. Один указатель. Но кто держит этот указатель, тот и контролирует таблицу.

Как каталог переключает указатель (и почему без него нельзя)

Механика коммита в Iceberg похожа на смену таблички у входа в кабинет. Писатель готовит новую табличку (новый файл метаданных) заранее, в сторонке. Потом делает одно короткое движение — меняет старую табличку на новую. Вот это движение и должно быть атомарным: либо табличку сменили, либо нет, промежуточного состояния «висят две» быть не должно.

На языке баз это называется compare-and-swap: «поменяй указатель на новый, но только если он всё ещё равен тому, от которого я отталкивался». Если за то время, пока я готовил свою версию, кто-то другой уже сменил табличку, моя замена не проходит, я получаю от каталога отлуп и должен начать заново, уже от свежей версии.

Разные каталоги делают это движение по-разному, но смысл один. Если каталог живёт в обычной SQL-базе, то весь атомарный коммит — это буквально один UPDATE с условием «поменяй указатель, где он равен ожидаемому». База гарантирует, что из двух гонщиков ровно один обновит строку, а второй увидит ноль изменённых строк и поймёт, что проиграл гонку. Дёшево и надёжно, потому что за атомарность отвечает СУБД в которой хранится текущий указатель.

А теперь о том, что будет, если каталога нет. Есть соблазн обойтись без него. Iceberg умеет работать в режиме, когда роль «того, кто держит указатель» играет сама файловая система: положил новый файл версии, переименовал, вот и весь коммит. На HDFS это работает, потому что там переименование файла атомарно и с проверкой «а нет ли уже такого», то есть файловая система сама играет роль арбитра.

Но почти никто сегодня не держит озеро на HDFS. Все на S3 или S3-совместимом хранилище. У S3 же нет атомарного переименования, под капотом это копирование плюс удаление, и никакой проверки «файл уже существует». Дальше происходит потеря данных, которую можно не заметить.

Два процесса собрали каждый свою версию «сорок третью». Оба «переименовывают» свой файл в финальное имя, оба успешно, второй затирает первого. Коммит первого исчезает вместе с данными, которые он записал. Самое неприятное: нигде не появляется ошибки. В логах чисто. Просто в какой-то момент обнаруживается, что часть данных, которые точно записались, куда-то делись. Разбирать такое — ну практически невозможно.

Именно поэтому в проде без каталога делать нечего. Показательный факт: Trino, один из самых популярных движков для работы с Iceberg, с данными на S3 работает прекрасно, но только через нормальный каталог. Бескаталожного режима, где роль арбитра играет сама файловая система, он не поддерживает. В списке доступных типов каталога у Trino шесть вариантов (Hive Metastore, Glue, REST, JDBC, Nessie, Snowflake), и файлового среди них просто нет. Разработчики решили не давать людям возможность выстрелить себе в ногу.

Так что каталог никак нельзя назвать украшением или «ещё одним сервисом в стеке ради галочки». Именно он превращает набор файлов в таблицу, с которой безопасно работать нескольким людям и системам одновременно. Заодно, раз уж он всё равно стоит на входе и решает, кто к таблице обращается, на него навешивают ещё две работы: права доступа (кому какие таблицы видны) и выдачу временных ключей к хранилищу (чтобы движку не раздавать постоянные пароли от вашего S3).

Если совсем заострить: без каталога Iceberg — это лежащий на диске формат, договорённость и ничего больше. С каталогом он оживает и начинает вести себя как настоящая база данных с таблицами, к которой можно прийти с запросом. Каталог — единственная деталь во всей этой конструкции, которую вы реально держите запущенной как сервис.

Какие бывают каталоги

Хорошая новость: почти все современные каталоги поддерживают единую спецификацию. Есть общий стандарт — Iceberg REST Catalog, по сути описание того, как движок должен общаться с каталогом по сети. Причём это именно протокол, контракт. Любой каталог, который его поддерживает, виден всем движкам одинаково, а движку без разницы, что там за каталог на другом конце. Ниже вернусь к тому, что этот общий язык на практике соблюдают с оговорками, но сама идея разумная.

Сразу уточню, а то здесь часто путаются. REST-каталог нельзя скачать и запустить — это протокол: набор сетевых команд, которые каталог обязан понимать, если к нему стучатся по этому стандарту. Чтобы всё заработало, кто-то всё равно должен поднять и держать запущенным сервер, эти команды исполняющий. Вот этот сервер и есть каталог — Polaris, Lakekeeper и прочие из списка ниже. Короче: REST — это язык, а сервер-каталог — тот, кто на нём говорит.

Теперь про игроков, без которых картина неполная.

Hive Metastore — дедушка всех каталогов, наследие эпохи Hadoop. Работает, огромная установленная база, но капризный: то залипнет внутренняя блокировка, то при обрыве связи в неудачный момент таблица окажется указывающей на несуществующий файл (это реальный, задокументированный класс аварий). От него потихоньку уходят, но легаси живёт долго.

Каталог в обычной SQL-базе — самый простой и прямой вариант. Указатели на таблицы лежат строчками в PostgreSQL или другой реляционной базе, атомарность бесплатно достаётся от неё же. Ничего лишнего.

AWS Glue — каталог от Amazon. Если вы целиком живёте в AWS, это дефолт по инерции. Взамен — привязка к экосистеме и набор ограничений (например, потолок на число версий таблицы, за который на активной таблице реально можно упереться).

Project Nessie — каталог с изюминкой: он приносит в данные логику Git. Ветки, теги, коммиты, возможность собрать консистентный снимок сразу нескольких таблиц. Штука мощная для тех, кому нужны эксперименты над данными «в ветке» перед вливанием в основную. Правда, будущее у него теперь такое: его создатели (компания Dremio) объявили, что вливают Nessie в Polaris. То есть как самостоятельный проект он, похоже, доживает. Кстати, по самым свежим данным Dremio вошла в SAP, но это уже другая история.

Unity Catalog — каталог от Databricks. Формально открыли исходники, но по факту вся сила — в закрытой облачной версии, а открытая заметно беднее. Центр тяжести — вокруг самого Databricks.

Lakekeeper — молодой и очень любопытный. Написан на Rust, это один компактный бинарник без тяжёлой Java-машины под ним, метаданные держит в PostgreSQL. Для тех, кто ставит всё у себя на земле, он особенно интересен. Официально поддерживает on-premise S3-совместимые хранилища, те самые MinIO и подобные, которые крутятся в собственном ЦОДе. Молодой, поэтому местами возможно сыроват (надо тестировать), но направление правильное.

Ну и Polaris, ради которого и затевался разговор, про него отдельно чуть ниже.

Что во всём этом списке важно практику? Три вопроса. Можно ли поставить его у себя, а не только арендовать как облачный сервис. Кто им на самом деле управляет — сообщество или один вендор, который завтра поменяет правила. Ну и переносимы ли настройки прав доступа, если вы решите съехать на другой каталог. Забегая вперёд: с последним всё грустно у всех.

Куда переехал замок от ваших данных

Вот теперь можно собрать картину целиком. Формат данных — Iceberg, Parquet под ним — открыт. Все крупные вендоры на это согласились, потому что закрытый формат сегодня стал бы поводом для клиента развернуться и уйти. Данные в открытом формате лежат в вашем хранилище и читаются кем угодно. На уровне файлов привязки к вендору больше нет, и это реальное достижение, но привязка не исчезла, она переехала. Она переехала на каталог. Смотрите: данные ваши и открытые, а вот указатель на актуальную версию держит каталог. Права доступа — в каталоге. Выдачу ключей к хранилищу — в каталоге. Если каталог у вас арендованный, облачный, от конкретного вендора, то формально открытые данные всё равно живут по его правилам. Каталог решает, какие движки к ним пустить.

Есть и деталь, которая добивает романтику. Права доступа между каталогами пока что не переносятся. Настроили вы тонкую политику — кто какие строки таблицы видит — в одном каталоге. Решили переехать на другой. Так вот, эта политика с вами не поедет, её придётся строить заново руками, потому что общего стандарта на перенос прав нет.

Плюс тот самый общий язык, REST-протокол, на практике пока что соблюдают выборочно. Стандарт разрешает не реализовывать часть возможностей, и вендоры этим пользуются: у одного нет многоуровневых имён, у другого нельзя создать таблицу через протокол, у третьего не работает выдача ключей. Так что «просто подключитесь по стандарту» на деле нередко превращается в «подключитесь и упритесь в то, что половина нужного не поддержана», но будем надеятся что это временно.

Вывод, который я для себя сделал, простой. Выбор формата данных сегодня уже почти не имеет значения, берите Iceberg и не думайте. А вот выбор каталога — это и есть выбор того, кому вы доверяете держать указатель и раздавать ключи. Это решение куда важнее, чем кажется, и его почему-то принимают в последнюю очередь и на автомате.

Теперь про Polaris

Теперь понятно, почему я начал с новости про него. Polaris — это каталог, который придумал Snowflake и в 2024 году отдал в открытый код, а в феврале 2026 он дорос до статуса полноценного проекта Apache. Почему это важно. Статус Apache означает, что проект больше не игрушка одного вендора, которую тот может закрыть или развернуть в свою сторону, у него независимое управление под эгидой фонда.

Тут есть нюанс. Вопреки ожиданиям, Polaris не остался «снежным» проектом под вывеской Apache. Председатель управляющего комитета — человек из компании Dremio, прямого соседа по рынку. В том же комитете сидят люди из Databricks — вообще-то конкурента. То есть за проектом стоят несколько вендоров сразу, и это делает его куда более нейтральной территорией, чем можно было ждать. Для стандарта, вокруг которого все должны договориться, это отличный расклад.

Метаданные Polaris держит в обычной реляционной базе — на практике это PostgreSQL. Тот самый указатель на актуальную версию таблицы, права, роли — всё живёт строчками в заурядной базе, которую любой инженер знает хорошо. Причём поставить Polaris, что важно, можно и у себя на железе: нужен Postgres, контейнер и объектное хранилище, привязки к облаку Snowflake для этого нет. Сам Snowflake свой облачный сервис-каталог построил ровно на том же самом Polaris, просто взял на себя эксплуатацию.

Вокруг этого и крутится свежий виток анонсов. Тот же Snowflake недавно подал целую архитектуру под вывеской открытого лейкхауса, где Iceberg как формат, Polaris как каталог, и обещана двусторонняя работа с таблицами из чужих движков. Разбор этих обещаний — тема отдельная, тут важно другое: все дороги в этой истории ведут к каталогу. Формат уже поделили, воевать за него никто не хочет. Воюют за то, кто будет держать «указатель».

Практические рекомендации

Теперь полезное — как выбирать.

Если вы ставите всё у себя, на своей земле, и хотите Iceberg с нормальным каталогом, смотрите на Polaris (self-hosted, с Postgres под метаданными) или на Lakekeeper, если хочется лёгкости и вам близок его подход с S3-совместимым хранилищем в собственном ЦОДе. И тот и другой ставятся без облачного вендора.

Если вы целиком в AWS и не планируете съезжать, Glue по инерции проще всего, просто держите в голове его ограничения и потолки.

Если вам реально нужна логика веток над данными — эксперименты в ветке, консистентные снимки нескольких таблиц разом, других вариантов, кроме Nessie, сегодня нет. Только закладывайтесь сразу на то, что как самостоятельный проект он доживает: Dremio вливает его в Polaris.

Напоследок: не выбирайте по ложному критерию «а много ли у меня движков». Iceberg берут ради смены самой парадигмы хранения, зоопарк инструментов здесь дело десятое. Ради ухода от вендорозависимых платформ и от систем, которые для роли хранилища данных вообще не строились. Классические реляционные СУБД — MSSQL, Oracle, тот же PostgreSQL — хороши каждая в своём деле, но масштабируемым хранилищем данных на десятки и сотни терабайт они быть не задумывались, даже MPP-надстройка вроде Greenplum на этой роли сегодня выглядит «хромой уткой» (бить будут, знаю).

Greenplum, к слову, живая иллюстрация той самой вендорозависимости, от которой лейкхаус и уводит. Ещё недавно он был открытым и бесплатным, а в 2024 году, когда достался Broadcom вместе с VMware, открытую версию попросту свернули: репозитории заморозили, дальнейшее развитие ушло в платный Tanzu. Хочешь двигаться дальше — плати. Сообщество, правда, ответило по-своему. Часть оригинальных разработчиков подхватила открытый код и увела его в форк под именем Cloudberry, который теперь развивается под крылом Apache. Но сам сюжет показателен. Сегодня открыто и бесплатно, а завтра новый хозяин принял решение, и всё поменялось. Причём это даже не главный счёт. Стоимость владения таким кластером складывается из лицензий, специфического железа и дорогих рук, которые всё это держат на плаву, а отказоустойчивость и сопровождение MPP-кластера поверх Postgres — отдельная наука, где хватает своих граблей: балансировка сегментов, зеркала, восстановление после падения ноды. Открытый формат на дешёвом объектном хранилище снимает разом и вопрос вендора, и цену входа, и добрую часть эксплуатационной боли, и решает задачу даже тогда, когда движок обработки у вас один-единственный.

Пара слов про DuckLake

Раз уж речь зашла про Postgres под капотом, нельзя не упомянуть DuckLake — подход, который доводит эту мысль до логического конца. Идея почти дерзкая в своей простоте: а давайте вообще не будем разводить россыпь служебных файлов и отдельный каталог-сервис. Положим всё описание таблиц — и указатели, и историю, и статистику по файлам, целиком, в обычную SQL-базу. Данные так и лежат в Parquet в хранилище, а весь учёт — в паре десятков таблиц в PostgreSQL. Тогда коммит — это просто транзакция в базе, атомарность и одновременная запись достаются даром, как умеет любая нормальная СУБД лет уже тридцать.

Забавно, к чему пришли. Индустрия несколько лет строила сложный слой метаданных поверх файлов, изобретала протоколы каталогов и воевала за то, кто будет держать указатель. А самый предсказуемый вариант — положить каталог в обычную реляционную базу, которая для управления согласованными данными и придумана. DuckLake это делает в лоб, у Polaris, если приглядеться, под капотом тот же Postgres, просто обёрнутый в сервис. Круг замкнулся.

Всё же я бы не спешил подавать DuckLake как «облегчённую замену Iceberg для тех, у кого данных немного». По трём причинам. Во-первых, данные имеют скверную привычку расти. То, что сегодня ворочает пара машин, через год превращается в то, ради чего и городят серьёзный lakehouse, и переезжать на бегу под нагрузкой не пожелаешь и врагу. Во-вторых, DuckLake живёт пока в своей первой версии, что для фундамента, на котором стоит хранилище, очень мало. В-третьих, и для меня, человека, отвечающего за сохранность данных, это важнее всего: за DuckLake стоит конкретный вендор, а у любого вендорского проекта есть ненулевой шанс однажды просто закрыться. Класть такое в основание хранилища — решение, которое принимают с открытыми глазами, а не потому что «нам так проще сейчас».

Так что DuckLake я держу во внимании как любопытное и верное по духу движение, оно про ту же простоту, к которой я и сам склоняюсь, но не как готовую замену Iceberg. Присматриваться — да. Переносить на него боевое хранилище с расчётом «у нас всё равно немного данных» — рано и рискованно.

Когда всё это не нужно

Теперь для баланса. Когда весь этот лейкхаус с Iceberg и каталогом не нужен?

Ответ простой: когда данных у вас совсем немного или источников раз-два и обчёлся, и городить полноценное хранилище незачем. Если вся ваша аналитика помещается в пару таблиц обычной базы, а данные стекаются из одной-двух систем, оставайтесь на обычной СУБД и не морочьте себе голову. Iceberg, каталог, объектное хранилище начинают окупаться, когда данных и источников становится по-настоящему много, растёт разнообразие нагрузок и появляется смысл развязать хранение и обработку. До этого порога всё описанное — лишняя сложность на ровном месте. А вот когда обычная база уже трещит по швам, тогда вся эта конструкция и обретает смысл.

Что в итоге стоит взять

Если из всего текста запомнить одно, пусть это будет вот что. В мире открытых форматов данных ваш формат почти ничего не решает, его давно поделили и открыли. Решает каталог. Это скромная на вид штука, которая держит единственный указатель на актуальную версию таблицы, но именно через неё проходят права доступа, выдача ключей и сам ответ на вопрос, какой движок увидит ваши данные, а какой нет.

Поэтому, когда в следующий раз будете строить или выбирать лейкхаус, потратьте на выбор каталога столько же внимания, сколько на всё остальное вместе взятое. Потому что данные — в открытом формате и вроде бы ваши, а вот указатель держит кто-то. Очень важно, чтобы этот «кто-то» был или вы сами, или тот, кому вы осознанно доверяете, а не тот, кого выбрали в последний момент под рекламные реляции.

Было бы интересно обсудить в комментах ваши практики работы с lakehouse. Пишите. На все вопросы отвечу.