想象一家实验室把测量文件堆在许多共享文件夹里：有人为了归档复制一份，有人为了高性能计算（HPC）再复制一份。久而久之，谁也说不清有哪些数据、原件在哪、哪些只是副本。这里要建的“目录”不是再加一层文件夹，而是数据目录（data catalog）——一份记录文件位置、内容和关系的可搜索索引。
一位 Reddit 用户描述的正是这种处境：PB 级 NFS（让多台服务器共享远端目录的文件系统）装满测量数据，但常见搜索结果多面向云端结构化数据。实际使用者只能逐层翻目录，或请同事发送链接。更棘手的是重复检测：可以读取文件内容并计算哈希值，把它当作“指纹”寻找相同副本；可在 PB 级存储上全面读取，成本也必须控制。
这则讨论值得基础设施团队留意，因为需求并不神秘：先扫描路径、大小、修改时间等元数据，再补充搜索、血缘和重复数据视图。不过，原帖只是在征集 Diskover、Komprise 等工具的真实经验，并未给出经过验证的方案、性能数据或最终选型。