# 项目架构

> `poyee-data-warehouse` 数据仓库工程的模块划分、执行时序与配置管理。

**项目状态**：重构中，目前采用**原地渐进式重构**模式。
## 1. 目录结构（目标态）

```
poyee-data-warehouse/              # 项目根目录（仓库名 = 部署名）
├── bin/                           # 启动脚本层：Shell + Python 入口脚本
│   ├── common/                    #   公共 Shell 函数与初始化
│   ├── spark-sql-starter.py       #   Spark SQL 执行入口
│   ├── datax-single-job-starter.sh#   DataX 单任务启动
│   ├── datax-multiple-job-starter.sh # DataX 批量任务启动
│   ├── datax-job-config-generator.py # ini→json 配置生成
│   └── ...
├── jobs/                          # 业务代码层（新建，替代老项目 launch-pad/），每日调度执行
│   ├── raw/                       #   原始数据采集（DataX ini 或 CSV 导入任务定义）
│   ├── ods/                       #   贴源层计算 SQL（类型转换、脏数据识别）
│   ├── dim/                       #   维度层计算 SQL（公共维度，贯穿 dwd/dws/tdm/ads）
│   ├── dwd/                       #   明细层计算 SQL
│   ├── dws/                       #   汇总层计算 SQL
│   ├── tdm/                       #   主题域模型层计算 SQL
│   ├── ads/                       #   应用层计算 SQL + 导出 ini
│   └── archive/                   #   已执行完的历史脚本归档
├── manual/                        # 一次性脚本（禁止接入定时调度）
│   ├── ddl/                       #   所有 DDL（初始 CREATE + 后续 ALTER），唯一来源
│   ├── backfill/                  #   历史数据回刷
│   ├── fix/                       #   线上脏数据订正（必须带工单号）
│   └── adhoc/                     #   临时取数 / 排查
├── dw_base/                       # 通用库层
│   ├── __init__.py                #   全局初始化
│   ├── common/                    #   常量、容器
│   ├── spark/                     #   SparkSQL 核心 + UDF
│   ├── datax/                     #   DataX 配置生成引擎
│   ├── database/                  #   MongoDB/MySQL 工具
│   ├── scheduler/                 #   调度辅助脚本
│   ├── hive/                      #   Hive DDL 生成
│   ├── ds/                        #   DolphinScheduler API
│   ├── utils/                     #   通用工具函数
│   └── ...
├── kb/                            # 知识库：项目文档
├── conf/                          # 配置层（当前为样例，后续存放非敏感配置）
├── publish.sh                     # 集群部署脚本
├── requirements.txt               # Python 依赖
└── README.md
```

**项目同级目录（运维维护，不入仓库）：**

```
/home/bigdata/release/
├── poyee-data-warehouse/          # 本项目部署目录
└── datasource/                    # 数据源连接配置（含账密，由运维管理）
    ├── mongo/                     #   按数据库类型划分子目录
    ├── mysql/                     #   每个子目录下存放 {实例名}.ini
    ├── hdfs/
    ├── clickhouse/
    ├── elasticsearch/
    ├── kafka/
    ├── redis/
    ├── hbase/
    └── postgresql/
```

## 2. 核心模块职责

| 模块 | 路径（新） | 职责 |
|------|-----------|------|
| 全局初始化 | `dw_base/__init__.py` | 环境检测、颜色常量、findspark 初始化、用户/权限判断 |
| SparkSQL 引擎 | `dw_base/spark/spark_sql.py` | SparkSession 管理、UDF 注册、SQL 执行、数据导出 |
| Spark 快捷初始化 | `dw_base/spark/td_spark_init.py` | 类 spark-submit 风格的 Session 创建 |
| UDF 库 | `dw_base/spark/udf/` | 按业务线分类的 Spark 自定义函数 |
| DataX 引擎 | `dw_base/datax/` | ini 配置解析 → json 作业文件生成 |
| DataX 数据源 | `dw_base/datax/datasources/` | 各类数据源的连接参数抽象 |
| DataX 插件 | `dw_base/datax/plugins/` | Reader/Writer 工厂 + 各数据源实现 |
| 数据库工具 | `dw_base/database/` | MongoDB、MySQL 原生客户端封装 |
| 调度辅助 | `dw_base/scheduler/` | 钉钉/企微通知、轮询调度、分区清理等 |
| Hive 工具 | `dw_base/hive/` | DDL 生成、库表命名规则 |
| DS 工作流 | `dw_base/ds/` | DolphinScheduler REST API 触发工作流 |
| 通用工具 | `dw_base/utils/` | 参数解析、日期、文件、日志、SQL 解析、字符串等 |

## 3. 模块关系图

```mermaid
graph TB
    subgraph 外部系统
        DS[DolphinScheduler<br/>调度系统]
        YARN[Spark on YARN]
        HIVE[Hive MetaStore]
        HDFS[HDFS]
        MONGO[(MongoDB)]
        MYSQL[(MySQL)]
        CK[(ClickHouse)]
        ES[(Elasticsearch)]
        KAFKA[Kafka]
        DORIS[(Doris)]
        REDIS[(Redis)]
        DINGTALK[钉钉/企微<br/>告警]
    end

    subgraph bin [bin/ 启动脚本]
        SPARK_STARTER[spark-sql-starter.py]
        DATAX_MULTI[datax-multiple-job-starter.sh]
        DATAX_SINGLE[datax-single-job-starter.sh]
        DATAX_GEN[datax-job-config-generator.py]
        DORIS_STARTER[doris-*-starter.py]
        INIT_SH[common/init.sh]
    end

    subgraph dw_base [dw_base/ 通用库]
        INIT_PY[__init__.py<br/>全局初始化]
        SPARK_SQL[spark/spark_sql.py<br/>SparkSQL 引擎]
        UDF[spark/udf/<br/>UDF 库]
        DATAX_ENGINE[datax/<br/>配置生成引擎]
        DATASOURCES_CODE[datax/datasources/<br/>数据源抽象]
        PLUGINS[datax/plugins/<br/>Reader/Writer]
        SCHEDULER[scheduler/<br/>调度辅助]
        DB_UTILS[database/<br/>DB 工具]
        UTILS[utils/<br/>通用工具]
        DS_API[ds/<br/>DS API]
    end

    subgraph jobs [jobs/ 按数仓分层组织]
        RAW[raw/<br/>原始数据采集 ini]
        ODS_JOBS[ods/<br/>贴源层 SQL]
        DWD_JOBS[dwd/<br/>明细层 SQL]
        DWS_JOBS[dws/<br/>汇总层 SQL]
        TDM_JOBS[tdm/<br/>主题域模型 SQL]
        ADS_JOBS[ads/<br/>应用层 SQL + 导出 ini]
    end

    subgraph external_conf [项目同级 datasource/]
        DS_INI[数据源 .ini<br/>含账密]
    end

    DS -->|触发| DATAX_MULTI
    DS -->|触发| SPARK_STARTER
    DS -->|触发| DORIS_STARTER

    DATAX_MULTI --> DATAX_SINGLE
    DATAX_SINGLE --> DATAX_GEN
    DATAX_GEN --> DATAX_ENGINE
    DATAX_ENGINE --> PLUGINS
    PLUGINS --> DATASOURCES_CODE
    DATASOURCES_CODE -->|读取| DS_INI

    SPARK_STARTER --> INIT_PY
    SPARK_STARTER --> SPARK_SQL
    SPARK_SQL --> UDF
    SPARK_SQL -->|spark.sql| YARN
    YARN --> HIVE
    YARN --> HDFS

    DATAX_SINGLE -->|python datax.py| HDFS
    DATAX_SINGLE -->|python datax.py| MONGO
    DATAX_SINGLE -->|python datax.py| MYSQL
    DATAX_SINGLE -->|python datax.py| CK
    DATAX_SINGLE -->|python datax.py| ES
    DATAX_SINGLE -->|python datax.py| KAFKA

    DORIS_STARTER --> DORIS

    SCHEDULER --> DINGTALK
    SCHEDULER --> DB_UTILS
    DB_UTILS --> MONGO
    DB_UTILS --> MYSQL
    DS_API --> DS

    DATAX_GEN -->|读取| RAW
    SPARK_STARTER -->|读取| ODS_JOBS
    SPARK_STARTER -->|读取| DWD_JOBS
    SPARK_STARTER -->|读取| DWS_JOBS
    SPARK_STARTER -->|读取| TDM_JOBS
    SPARK_STARTER -->|读取| ADS_JOBS
    DATAX_GEN -->|读取| ADS_JOBS
```

## 4. 执行链详解

### 4.1 Spark SQL 执行链

```mermaid
sequenceDiagram
    participant DS as DolphinScheduler
    participant BIN as spark-sql-starter.py
    participant INIT as dw_base/__init__.py
    participant CFG as utils/config_utils.py
    participant SQL_ENGINE as spark/spark_sql.py
    participant HIVE as Hive/YARN

    DS->>BIN: 调用 -f sql文件 -dt 20250101
    BIN->>INIT: import（环境检测 + findspark）
    BIN->>CFG: parse_args() 解析参数
    BIN->>SQL_ENGINE: SparkSQL(session_name, udf_files, ...)
    SQL_ENGINE->>SQL_ENGINE: 读取 SQL 文件，解析 SET/ADD FILE
    SQL_ENGINE->>SQL_ENGINE: zip -qr dw_base.zip dw_base
    SQL_ENGINE->>HIVE: SparkSession.builder.enableHiveSupport()
    SQL_ENGINE->>SQL_ENGINE: 注册 UDF（反射扫描函数）
    loop 按日期循环
        SQL_ENGINE->>SQL_ENGINE: 替换 ${dt} 等参数
        SQL_ENGINE->>HIVE: spark.sql(sql_statement)
        HIVE-->>SQL_ENGINE: DataFrame
        SQL_ENGINE->>SQL_ENGINE: show / 记录日志
    end
```

### 4.2 DataX 数据同步执行链

```mermaid
sequenceDiagram
    participant DS as DolphinScheduler
    participant MULTI as datax-multiple-job-starter.sh
    participant SINGLE as datax-single-job-starter.sh
    participant GEN as datax-job-config-generator.py
    participant ENGINE as datax/job_config_generator.py
    participant PLUGIN as plugins/plugin_factory.py
    participant DS_FILE as datasource/*.ini
    participant DATAX as DataX (python datax.py)

    DS->>MULTI: -gc ini文件 -start-date -stop-date
    MULTI->>SINGLE: 逐个/并行调用
    SINGLE->>SINGLE: select_worker() 选择执行节点
    SINGLE->>GEN: 调用生成器
    GEN->>ENGINE: JobConfigGenerator(ini, start, stop, output)
    ENGINE->>ENGINE: ConfigParser 读取 .ini
    ENGINE->>PLUGIN: PluginFactory.get_plugin(reader/writer)
    PLUGIN->>DS_FILE: 读取数据源 ini（账密等）
    PLUGIN-->>ENGINE: reader/writer JSON 片段
    ENGINE->>ENGINE: 组装完整 JSON + 限速配置
    ENGINE->>ENGINE: 写入 conf/datax/generated/*.json
    SINGLE->>DATAX: python datax.py generated.json
    DATAX->>DATAX: 执行数据同步
```

### 4.3 DataX 脚本详细使用说明

DataX 脚本分为**执行脚本**和**辅助工具**两类，调用链如下：

```
datax-multiple-hive-job-starter.sh   （MySQL→Hive 专用批量入口，含自动分区管理）
        │
        ▼
datax-multiple-job-starter.sh        （通用批量入口）
        │
        ▼
datax-single-job-starter.sh          （单任务入口）
        │
        ├─► datax-job-config-generator.py   （ini→json 配置生成）
        │           │
        │           ▼
        │   dw_base/datax/job_config_generator.py（生成引擎）
        │
        ▼
python datax.py generated.json       （DataX 框架执行数据同步）
```

辅助工具：`datax-gc-generator.py`（连接源库元数据，批量生成 ini 配置文件）

> **`.py` 同名包装器**：`datax-single-job-starter.py`、`datax-multiple-job-starter.py`、`datax-multiple-hive-job-starter.py` 是对应 `.sh` 的薄 Python 包装，**仅供本地调试**，禁止在 DolphinScheduler 调度中使用。

---

#### 4.3.1 `datax-single-job-starter.sh` —— 单任务启动

**用途**：启动单个 DataX 同步任务。接受已生成的 JSON 或待生成的 ini 配置。

**参数**：

| 参数 | 必填 | 说明 |
|------|------|------|
| `-c <path>` | 二选一 | DataX 作业 JSON 配置文件（绝对路径） |
| `-gc <path>` | 二选一 | DataX ini 配置文件（项目内相对路径或绝对路径），`-c` 优先 |
| `-start-date <yyyyMMdd>` | 否 | 开始日期，默认昨天 |
| `-stop-date <yyyyMMdd>` | 否 | 结束日期，默认今天 |
| `-host <hostname>` | 否 | 指定执行主机，优先于 `-random` |
| `-random` | 否 | 随机选择 Worker 节点 |
| `-skip-datax` | 否 | 跳过实际 DataX 执行（仅生成配置） |

**Worker 选择逻辑**（`select_worker()`）：

1. 非 `bigdata` 用户 → 强制本机执行
2. 非发布目录下执行 → 强制本机执行
3. 指定了 `-host` → 使用指定主机
4. 指定了 `-random` → 从 `DATAX_WORKERS_QUEUE` 随机选一台
5. 都未指定 → 本机执行

**HDFS 数据检查**（`check_data_exists()`）：当 JSON 配置路径包含 `hdfs-` 时，会自动检查 HDFS reader 路径是否存在且有数据，无数据则跳过执行。

**示例**（目标态，用 `-env` 切环境；命名见 `21-命名规范.md` §3.9）：
```bash
# 采集任务（raw 层 ini）
bin/datax-single-job-starter.sh -gc jobs/raw/trd/raw_trd_order_pay_inc_d.ini -start-date 20260415 -env prod

# 导出任务（ads 层 ini）
bin/datax-single-job-starter.sh -gc jobs/ads/trd/ads_trd_gmv_d_export.ini -start-date 20260415 -env prod

# 使用已生成的 JSON（跳过生成，env 已嵌入 JSON）
bin/datax-single-job-starter.sh -c /abs/path/to/generated.json
```

> **待重构项**（见 `90-重构路线.md` §2.1 DataX 条目）：
> - `-env` 参数目前**尚未实现**，现阶段切环境靠改 `datasource/` 下的实际文件或 `conf/env.sh`（待新建）
> - `bin/` 下几个 DataX 启动脚本 / 生成器里还残留 `conf/datax/config/` 前缀剥离逻辑（老项目遗留；该目录已迁至 `conf/bak/` 并忽略入库），新项目 ini 放在 `jobs/raw/` / `jobs/ads/` / `manual/`，这段逻辑要清理掉

---

#### 4.3.2 `datax-multiple-job-starter.sh` —— 通用批量启动

**用途**：批量启动多个 DataX 任务，支持串行/并行执行。DolphinScheduler 调度的主要入口。

**参数**：

| 参数 | 优先级 | 说明 |
|------|--------|------|
| `-c <path>` | 1（最高） | JSON 配置文件，可多次传入 |
| `-cd <dir>` | 2 | JSON 配置文件目录 |
| `-gc <path>` | 3 | ini 配置文件，可多次传入 |
| `-gcd <dir>` | 4（最低） | ini 配置文件目录 |
| `-start-date` | — | 开始日期，默认昨天 |
| `-stop-date` | — | 结束日期，默认今天 |
| `-host` | — | 指定 Worker 节点 |
| `-random` | — | 随机选择 Worker |
| `-parallel` | — | 并行执行（默认串行） |
| `-skip-datax` | — | 跳过 DataX 执行 |

**执行模式**：
- **串行**（默认）：逐个调用 `datax-single-job-starter.sh`，日志实时输出（`tee`），结束后汇报成功/失败计数
- **并行**（`-parallel`）：后台启动所有任务，日志写入文件，仅限 `bigdata` 用户 + 发布主机

**日志路径**：`${LOG_ROOT_DIR}/datax/${src-dst}/${project_layer_env}/${START_DATE}/${START_DATE}-${JOB_NAME}.log`

**示例**（目标态）：
```bash
# 批量执行整个业务域下的 raw 采集 ini
bin/datax-multiple-job-starter.sh -gcd jobs/raw/trd -start-date 20260415 -env prod -parallel

# 指定多个 ini 文件串行执行
bin/datax-multiple-job-starter.sh \
  -gc jobs/raw/trd/raw_trd_order_pay_inc_d.ini \
  -gc jobs/raw/usr/raw_usr_user_info_inc_d.ini \
  -start-date 20260415 -env prod
```

---

#### 4.3.3 `datax-multiple-hive-job-starter.sh` —— 带 Hive 分区自动管理的批量启动

**用途**：在 `datax-multiple-job-starter.sh` 之上封装了 **Hive 分区自动管理**。任何写入 Hive 分区表的 DataX 同步作业（不限于 MySQL→Hive）都可以用它，脚本头注释里"MySQL-Hive 作业"只是历史命名。**日常采集作业的主力入口**。

**与 multiple-job-starter 的区别**：
1. 自动从 ini 配置中解析 Hive 表名和分区路径（`parse_ddl()` 函数，`grep "path =" <ini>`）
2. 在执行 DataX 前自动执行 `ALTER TABLE ... ADD IF NOT EXISTS PARTITION(dt=...)` 
3. 支持在脚本内硬编码配置列表（`partitioned_tables`、`generator_config_array` 等数组），适合固定调度场景
4. 支持 `--override` 参数临时覆盖脚本内硬编码配置

> **自动建分区只对 ini 输入生效**：`parse_ddl()` 读的是 ini 里的 `path = ...` 行。如果走 `-jc` / `-jcd` 传已生成的 JSON，脚本没有 ini 可解析，自动建分区**不触发**，此时要么改用 `-t db.table` 显式声明分区、要么把分区记录在脚本内 `partitioned_tables` 数组。

**额外参数**：

| 参数 | 说明 |
|------|------|
| `--override` | 忽略脚本内硬编码的配置列表，只执行命令行传入的配置 |
| `-t <db.table>` | 显式指定需要建分区的 Hive 表，可多次传入 |
| `-skip-add-partition` | 跳过 Hive 分区创建 |
| `-jc` / `-jcd` / `-gc` / `-gcd` | 同 multiple-job-starter |
| `-start-date` / `-stop-date` | 同上 |
| `-random` / `-parallel` / `-skip-datax` | 同上 |

**分区解析逻辑**（`parse_ddl()`）：
1. 读取 ini 文件中 `path =` 行
2. 检查路径是否包含 `/dt=${dt}`（分区标识）
3. 从 HDFS 路径中提取 `{db}.db/{table_name}` → 拼接 `ALTER TABLE {db}.{table} ADD IF NOT EXISTS PARTITION(dt={START_DATE})`

**示例**（目标态）：
```bash
# 执行某业务域下所有 raw 采集 ini + 自动建 Hive 分区
bin/datax-multiple-hive-job-starter.sh \
  -gcd jobs/raw/trd \
  -start-date 20260415 -env prod -parallel

# 覆盖脚本内硬编码配置，只跑指定的失败任务
bin/datax-multiple-hive-job-starter.sh --override \
  -gc jobs/raw/trd/raw_trd_order_pay_inc_d.ini \
  -start-date 20260415 -env prod
```

---

#### 4.3.4 `datax-job-config-generator.py` —— ini→JSON 配置生成器

**用途**：将人类可读的 `.ini` 任务配置转换为 DataX 框架所需的 `.json` 作业配置文件。通常由 `datax-single-job-starter.sh` 自动调用，也可独立执行。

**参数**：

| 参数 | 说明 |
|------|------|
| `-c <path>` | ini 配置文件路径，可多次传入或逗号分隔 |
| `-d <dir>` | 扫描指定目录下的 ini 文件 |
| `-r` | 配合 `-d` 使用，递归扫描子目录 |
| `-start-date` | 开始日期，默认昨天 |
| `-stop-date` | 结束日期，默认今天 |
| `-o <dir>` | 输出目录（默认 `conf/datax/generated/`） |

**生成路径规则**（**当前脚本残留老逻辑，待清理**）：脚本里仍保留 `temp = os.path.dirname(gcf).replace(project_root_dir, '').replace('conf/datax/config/', '').split('/')` 这段——老项目的 ini 放在 `conf/datax/config/{src-dst}/{env}/` 下，前缀剥离后能派生出 `src_dst` / `project_layer_env` 拼接输出路径。新项目 ini 已经不走这条路径（`conf/datax/config/` 整体挪到 `conf/bak/` 并 gitignore），但脚本里的 replace 语句仍在执行一次无效剥离，输出会落到 `conf/datax/generated/jobs/raw/trd/xxx.json`——能跑但路径形态不符合新约定。

重构目标：去掉路径前缀剥离逻辑，输出统一扁平为 `conf/datax/generated/{env}/{目标表名}.json`。登记为硬编码待重构项，见 `90-重构路线.md` §2.1。

**示例**（目标态）：
```bash
# 生成单个 ini 对应的 JSON
python3 bin/datax-job-config-generator.py -c jobs/raw/trd/raw_trd_order_pay_inc_d.ini -env prod

# 批量生成某业务域下所有 ini（递归）
python3 bin/datax-job-config-generator.py -d jobs/raw/trd -r -env prod

# 指定日期和输出路径
python3 bin/datax-job-config-generator.py -c jobs/raw/trd/raw_trd_order_pay_inc_d.ini \
  -start-date 20260415 -stop-date 20260416 -env prod -o /tmp/datax-out
```

---

#### 4.3.5 `datax-gc-generator.py` —— ini 配置元生成器

**用途**：连接源数据库读取表结构元数据，自动生成 DataX ini 配置文件。是开发阶段的**辅助工具**，用于批量初始化 ini 配置，生成后通常需要人工检查和调整。

**支持的同步方向**：

| `--from` | `--to` | 说明 |
|-----------|--------|------|
| `mysql` | `hdfs` | MySQL → HDFS（最常用，MySQL 同步到 Hive raw 层） |
| `mysql` | `hbase` | MySQL → HBase |
| `hdfs` | `hbase` | HDFS(Hive) → HBase |
| `hdfs` | `kafka` | HDFS(Hive) → Kafka |
| `hdfs` | `mongo` | HDFS(Hive) → MongoDB |
| `hdfs` | `elasticsearch` | HDFS(Hive) → Elasticsearch |
| `hdfs` | `mysql` | HDFS(Hive) → MySQL |

**通用参数**：

| 参数 | 说明 |
|------|------|
| `--from <type>` | 源系统类型（`mysql` / `hdfs`，默认 `mysql`） |
| `--to <type>` | 目标系统类型（`hdfs` / `hbase` / `kafka` / `mongo` / `elasticsearch` / `mysql`，默认 `hdfs`） |
| `--output <dir>` | 生成的 ini 文件存储目录 |

**MySQL 作为源（`--from mysql`）额外参数**：`-h`（主机）、`-P`（端口）、`-u`（用户）、`-p`（密码）、`-D`（数据库）、`-t`（指定表）、`-tr`（表名正则）、`-e`（排除表）、`-er`（排除表正则）、`--inc-col`（增量字段，默认 `update_time`）

**HDFS 作为源（`--from hdfs`）额外参数**：`-d`（Hive 数据库）、`-t`（Hive 表）、`-e`（排除表）、`--partitioned`（是否分区表）

**示例**：
```bash
# 为 MySQL 库中所有表生成 mysql→hdfs 的 ini 配置，输出到 raw/trd 业务域
python3 bin/datax-gc-generator.py --from mysql --to hdfs \
  -h 10.0.0.1 -u reader -p xxx -D hobby_prod \
  --output jobs/raw/trd

# 只为指定表生成，排除临时表
python3 bin/datax-gc-generator.py --from mysql --to hdfs \
  -h 10.0.0.1 -u reader -p xxx -D hobby_prod \
  -tr "^order" -er "^tmp_" \
  --output jobs/raw/trd

# 为 Hive 表生成 hdfs→elasticsearch 的 ini 配置
python3 bin/datax-gc-generator.py --from hdfs --to elasticsearch \
  -d ads --partitioned \
  --output conf/datax/config/hdfs-elasticsearch/prod
```

> **安全提示**：该脚本接受数据库账密作为命令行参数。生产环境中建议通过环境变量或临时文件传递敏感信息，避免密码出现在 shell history 和进程列表中。

## 5. 数据分层架构

数仓分层与 `jobs/` 目录一一对应：

```
                                                ┌────────────┐
┌───────────────────────────────────────────┐   │            │
│  ADS  应用层：业务指标、服务端导出宽表      │   │            │
├───────────────────────────────────────────┤   │            │
│  TDM  标签层：长表明细 + 宽表 + 人群包      │◄──┤    DIM     │
├───────────────────────────────────────────┤   │            │
│  DWS  汇总层：主题聚合、提供公共指标        │◄──┤  公共维度   │
├───────────────────────────────────────────┤   │            │
│  DWD  明细层：清洗加工 + 维度退化           │◄──┤            │
├───────────────────────────────────────────┤   │            │
│  ODS  贴源层：类型转换、脏数据识别          │   │            │
├───────────────────────────────────────────┤   └────────────┘
│  RAW  采集层：全字段 STRING，原样落盘       │
└───────────────────────────────────────────┘

数据流向：
  PG / ES ──DataX(raw)──▶ RAW ──SparkSQL(ods)──▶ ODS ──SparkSQL(dwd)──▶ DWD
  DWD ──SparkSQL(dws)──▶ DWS ──SparkSQL(tdm)──▶ TDM ──SparkSQL(ads)──▶ ADS
  ADS ──DataX / BrokerLoad──▶ 服务层（Doris / ClickHouse / ES / MongoDB）
```

**jobs/ 目录内部组织：**

每个分层目录内部按**业务域代码**（见 `21-命名规范.md` §3.2，`trd`/`usr`/`prd`/`shp`/`pub`/`dim`）建子目录，每个业务域下放置具体的 ini 或 SQL 文件。样板见 `00-项目架构.md` §9。

```
jobs/
├── raw/                          # DataX ini / CSV 导入 SQL：从源系统采集到 Hive raw 区
│   ├── trd/                      #   交易域：订单、支付、退款等源表采集
│   ├── usr/                      #   用户域：用户注册、登录、行为等源表采集
│   ├── shp/                      #   商家域
│   ├── prd/                      #   商品域
│   └── pub/                      #   公共域：平台、日历等
├── ods/                          # SQL：贴源层（类型转换、脏数据识别）
│   ├── trd/
│   └── ...
├── dim/                          # SQL：维度层（公共维度，贯穿 dwd/dws/tdm/ads）
│   ├── pub/                      #   公共维度：日历、地区、币种、汇率
│   ├── usr/                      #   用户维度
│   ├── prd/                      #   商品维度
│   └── shp/                      #   店铺维度
├── dwd/                          # SQL：明细层（清洗加工 + 维度退化）
├── dws/                          # SQL：汇总层（轻度聚合）
├── tdm/                          # SQL：主题域模型层（跨域整合、画像）
└── ads/                          # SQL + ini：应用层 + 导出到服务层
```

**原则**：同一业务（如订单）的数据在不同分层之间纵向流转，`trd/` 这一业务域在 raw/ods/dwd/dws/tdm/ads 各层都会出现。

## 6. 配置管理体系

### 6.1 配置分类

| 配置类型 | 存放位置 | 是否入仓库 | 维护角色 |
|----------|---------|-----------|------|
| 数据源连接（含账密） | `../datasource/{db_type}/{env}/{instance}.ini` | 否 | 运维   |
| DataX 同步任务定义 | `jobs/raw/` (采集) 和 `jobs/ads/` (导出) | 是 | 开发   |
| Spark 默认参数 | `conf/spark-defaults.yaml`（目标态） / `spark_sql.py` 构造函数（现状） | 是 | 开发   |
| Spark 单作业覆盖 | 对应 `jobs/*.sql` 文件内 `SET spark.x.y=z` | 是 | 开发   |
| 环境变量 / 路径 | `dw_base/__init__.py`、`bin/common/init.sh` | 是（待改为conf） | 开发   |
| 告警 Webhook | `dw_base/common/alerter_constants.py` | 是（待改为conf） | 开发   |
| DS 工作流配置 | `dw_base/ds/config/*.yaml` | 是 | 开发   |

### 6.2 Spark 参数优先级（三级覆盖）

```
命令行 -sc key=value / SparkSQL(...) 显式传参   (L3，最高优先级，临时 override)
        ↓ 覆盖
SQL 文件内 SET spark.x.y=z                      (L2，单作业级别，开发写)
        ↓ 覆盖
conf/spark-defaults.yaml                        (L1，全局默认，大数据负责人维护)
```

**目标态由 `dw_base/spark/spark_sql.py` 启动时加载 L1，再让 Spark 本身处理 L2/L3 的覆盖**。详细改造计划见 `90-重构路线.md` §2.3。

### 6.3 DataX ini 配置格式

**数据源定义（datasource/*.ini）：**
```ini
[base]
address = mongodb://user:pass@host:port/db    # MongoDB
# 或
jdbcUrl = jdbc:mysql://host:port              # MySQL
userName = xxx
userPassword = xxx
# 或
defaultFS = hdfs://nameservice1               # HDFS
```

**同步任务定义（jobs/raw/{domain}/{目标表名}.ini）：**
```ini
[reader]
dataSource = pg/hobby                         # 引用 datasource/pg/${env}/hobby.ini，${env} 运行时注入
dbName = xxx
schemaName = public
tableName = orders
column = col1,col2,...
columnType = col1:bigint,col2:date
where = update_time >= '${start_date}' AND update_time < '${stop_date}'

[writer]
dataSource = hdfs/default                     # 引用 datasource/hdfs/${env}/default.ini
column = col1,col2,...
columnType = col1:bigint,col2:date
path = /user/hive/warehouse/raw.db/raw_trd_order_pay_inc_d/dt=${dt}
fileType = orc
writeMode = truncate
```

**关键约定**：
- `dataSource` 字段只写 `{db_type}/{instance}`，**不含环境**。环境由启动脚本的 `-env` 参数注入
- 新项目推荐规范见 §6.4；老项目里 `dataSource = pg-hobby-prod` 这种把环境拼进字符串的写法是历史遗留，重构中统一改为上述新形式

**增量/全量区分：**
- `dt=19700101` 或 `query={}` → 全量
- `query` 中含 `${start_date}`/`${stop_date}` → 增量

### 6.4 多环境机制与 env 注入

**原则：业务代码一套，环境差异收敛在 `datasource/` 和 `conf/env.sh`，运行时注入。**

**环境集合**：`dev` / `test` / `prod`（由运维在 `datasource/` 下分别维护一套实例配置）。

**注入链路**：

```
启动脚本（-env prod）
        │
        ▼
ini 里 dataSource = pg/hobby
        │
        │  脚本拼接
        ▼
实际路径 datasource/pg/prod/hobby.ini
        │
        ▼
DataX Reader/Writer 建立连接
```

**env 判定优先级**（两级，不引入环境变量，避免污染 shell 历史和 CI 环境）：

| 级别 | 来源 | 用途 |
|------|------|------|
| L1（最高） | 命令行 `-env <name>` | 调试 / 跨环境临时切换 |
| L2 | `conf/env.sh` 里的 `DW_ENV` 默认值 | **入仓库**的一份配置，由开发者维护。默认值通常锁死为 `dev`（服务本地调试方便）。DolphinScheduler / 生产脚本总是命令行显式挂 `-env prod` 覆盖。不做任何"按用户/目录"的自动派生 |

**目录示例**：

```
datasource/                           # 运维维护，不入仓库
├── pg/
│   ├── prod/
│   │   ├── hobby.ini                 # 生产 PG 实例
│   │   └── crm.ini
│   ├── test/
│   │   └── hobby.ini
│   └── dev/
│       └── hobby.ini
├── mysql/
│   ├── prod/
│   └── dev/
├── mongo/
│   └── ...
└── hdfs/
    └── ...
```

**执行示例**：

```bash
# 跑生产环境
bin/datax-multiple-hive-job-starter.sh -gcd jobs/raw/trd -start-date 20260415 -env prod -parallel

# 本地调试（通常省略 -env，走 conf/env.sh 默认值 dev）
bin/datax-single-job-starter.sh -gc jobs/raw/trd/raw_trd_order_pay_inc_d.ini -start-date 20260415

# 跑测试环境（测试 Hive 集群 + 测试后端库 + 测试服务库都在 datasource/*/test/ 下）
bin/datax-multiple-hive-job-starter.sh -gcd jobs/raw/trd -start-date 20260415 -env test -parallel
```

**当前状态**：`-env` 参数、`conf/env.sh`、`datasource/` 的环境子目录**都尚未落地**，是目标态。改造清单见 `90-重构路线.md` §2.1。

## 7. 部署架构

```
集群节点：m3(master), d1, d2, d3, d4(data nodes)
部署目录：/home/bigdata/release/poyee-data-warehouse/
部署用户：bigdata
部署方式：git pull + rsync (publish.sh → re-all 分发)

日志目录：
  统一输出到 /opt/data/log/{module}/{dt}/{file}.log
  （老项目按 whoami 分流到 /opt/data/log 或 ~/data/log，参见 90-重构路线.md）
```

## 8. manual/ 目录执行规范

**定位**：一次性、非幂等的 SQL 脚本；与 `jobs/` 语义完全独立，**严禁接入 DolphinScheduler 定时调度**。

**子目录职责**：

| 目录 | 用途 |
|------|------|
| `manual/ddl/` | 一次性 DDL：加列、改分区、补建表 |
| `manual/backfill/` | 历史数据回刷（跨日期重算） |
| `manual/fix/` | 线上脏数据订正，**必须附工单号** |
| `manual/adhoc/` | 临时取数、问题排查 |
| `manual/archive/` | 执行完毕的历史脚本归档，保留审计痕迹 |

**命名规则**：`{yyyymmdd}_{层}_{域}_{简述}.sql`，例如 `20260414_dwd_trd_add_refund_col.sql`

**文件头强制注释**：
```sql
-- 作者：xxx
-- 日期：2026-04-14
-- 工单：TPAD-1234
-- 目的：补录 2026-Q1 的退款维度
-- 状态：[待执行 | 已执行 2026-04-14]
```

**执行与回收**：
- 执行入口复用 `bin/spark-sql-starter.py`，不新增脚本
- 仅通过 DS 一次性工作流或命令行手动触发
- `fix/` 和 `backfill/` 类脚本上线前必须经过 1 人以上 Review
- 执行完成后保留 3-6 个月作为审计证据，过期移入 `archive/` 或删除

## 9. 样板 job 结构

**核心原则：DDL 与计算 SQL 物理分离，DDL 全部在 `manual/ddl/` 下单一来源。**

- `manual/ddl/` 存放**所有 DDL**（首次建表 + 后续 ALTER），采用 **migration 模式**：每次 DDL 操作是一个不可变文件，**禁止回头改老文件**
- `jobs/` 存放每日调度执行的采集 / 计算任务，只做 `INSERT OVERWRITE` 或数据同步，不写 CREATE TABLE


一张表的完整生命周期涉及：
- `manual/ddl/{表名}_create.sql` —— 首次建表，永久保留
- 若干 `manual/ddl/{表名}_{yyyymmdd}_{描述}_change.sql` —— 之后每次 ALTER，独立文件
- `jobs/{layer}/{domain}/{表名}.sql` —— 每日调度的计算 SQL（不含建表）

### 9.1 `manual/ddl/` —— DDL 唯一来源

**目录组织**：扁平存放，不再按 `{layer}/{domain}/` 分子目录 —— 因为每张表只在 `manual/ddl/` 出现一次（外加若干 ALTER 文件），扁平就够用。`grep dwd_trd_ manual/ddl/` 一行命令就能列出某表的所有 DDL 历史。

```
manual/ddl/
├── raw_trd_order_pay_inc_d.sql                          # 首次建表（永久保留）
├── ods_trd_order_pay_inc_d.sql
├── dwd_trd_order_pay_inc_d.sql
├── ads_trd_gmv_d.sql
├── 20260520_dwd_trd_order_pay_add_refund.sql            # ALTER（执行后归档）
├── 20260612_raw_trd_legacy_order_change_partition.sql
└── archive/
    └── 20260301_old_alter.sql                           # 已归档
```

**首次建表 DDL 文件模板**（`manual/ddl/dwd_trd_order_pay_inc_d.sql`）：

```sql
-- ============================================================
-- 表名：dwd.dwd_trd_order_pay_inc_d
-- 业务含义：交易域-订单支付明细-增量-日
-- 分层：DWD
-- 更新周期：日 / 增量
-- 负责人：tianyu.chu
-- 创建日期：2026-xx-xx
-- 工单：TPAD-1001
-- 状态：已执行 2026-xx-xx
-- ============================================================

CREATE TABLE IF NOT EXISTS dwd.dwd_trd_order_pay_inc_d (
    order_id      BIGINT        COMMENT '订单ID',
    user_id       BIGINT        COMMENT '用户ID',
    shop_id       BIGINT        COMMENT '店铺ID',
    pay_amt_cny   DECIMAL(18,2) COMMENT '支付金额(人民币)',
    pay_time      TIMESTAMP     COMMENT '支付时间',
    etl_time      TIMESTAMP     COMMENT 'ETL写入时间'
) COMMENT '交易域-订单支付明细-增量-日'
PARTITIONED BY (dt STRING COMMENT '日期分区 yyyyMMdd')
STORED AS ORC;
```

**ALTER 文件模板**（`manual/ddl/20260520_dwd_trd_order_pay_add_refund.sql`）：

```sql
-- ============================================================
-- 表名：dwd.dwd_trd_order_pay_inc_d
-- 作者：tianyu.chu
-- 日期：2026-05-20
-- 工单：TPAD-1234
-- 目的：加 refund_amt_cny 字段（业务上线退款流程）
-- 回滚：ALTER TABLE dwd.dwd_trd_order_pay_inc_d REPLACE COLUMNS (...)
--       (Hive 2.x 不支持 DROP COLUMN)
-- 状态：[待执行]
-- ============================================================

ALTER TABLE dwd.dwd_trd_order_pay_inc_d
ADD COLUMNS (
    refund_amt_cny DECIMAL(18,2) COMMENT '退款金额(人民币)'
);
```

**存储格式约定**：所有分层一律 `STORED AS ORC` （不压缩，放弃一部分磁盘换 CPU、查询速度与 debug 友好度 ,后期做冷热数据再考虑压缩）。

### 9.2 `jobs/` 层 —— 每日调度的计算 SQL

**文件粒度**：一个 `.sql` 对应一张目标表。只写 `INSERT OVERWRITE`，**不写 CREATE TABLE**（表由 `manual/ddl/` 保证已存在）。

```
jobs/dwd/trd/
├── dwd_trd_order_pay_inc_d.sql
├── dwd_trd_order_refund_inc_d.sql
└── dwd_trd_shop_gmv_agg_ful_d.sql
```

**计算 SQL 文件模板**：
```sql
-- ============================================================
-- 目标表：dwd.dwd_trd_order_pay_inc_d
-- DDL：manual/ddl/dwd_trd_order_pay_inc_d.sql（首次建表）
--      manual/ddl/2026*_dwd_trd_order_pay_*.sql（历次 ALTER）
-- 业务含义：交易域-订单支付明细-增量-日
-- 上游依赖：
--   - ods.ods_trd_order_pay_inc_d
--   - dim.dim_prd_product_ful_d
-- 下游使用：dws_trd_order_agg_inc_d、ads_trd_gmv_d
-- 负责人：tianyu.chu
-- 创建日期：2026-xx-xx
-- ============================================================

-- Spark 参数
SET spark.sql.shuffle.partitions=200;
SET hive.exec.dynamic.partition.mode=nonstrict;

-- 主逻辑（纯 INSERT，不含建表）
INSERT OVERWRITE TABLE dwd.dwd_trd_order_pay_inc_d PARTITION (dt='${dt}')
SELECT
    o.order_id,
    o.user_id,
    o.shop_id,
    CAST(o.pay_amt AS DECIMAL(18,2)) AS pay_amt_cny,
    CAST(o.pay_time AS TIMESTAMP)    AS pay_time,
    CURRENT_TIMESTAMP()              AS etl_time
FROM ods.ods_trd_order_pay_inc_d o
WHERE o.dt = '${dt}'
;
```

对需要多步 CTE 或中间结果的复杂加工，用 `WITH` + 最终 `INSERT OVERWRITE` 写在同一文件内，不拆分多文件。

### 9.3 raw 层（采集任务）

raw 层的 `jobs/` 有两类主要任务，根据源数据形态选择：

| 场景 | 文件类型 | 执行器 |
|---|---|---|
| 从 MongoDB / PG / MySQL 等结构化源库同步 | `.ini`（DataX 配置） | `bin/datax-single-job-starter.sh` |
| 从本地 / 外部 CSV 文件导入 | `.sql`（含 `USING csv` 临时视图 + `INSERT OVERWRITE`） | `bin/csv-to-hdfs-starter.py`（阶段 1 实现） |

**raw 层数据类型约定**：所有字段一律 `STRING`，类型转换、空值处理、脏数据识别全部**下推到 ods 层**。这样 raw 的同步永远不会因为类型不符而失败，保证"链路出入口"简单稳定。

**CSV 导入流程**：

1. 本地 CSV 文件如果较大，先 `gzip` 压缩
2. `bin/csv-to-hdfs-starter.py` 把(压缩后的)CSV `hdfs dfs -put` 到 HDFS 暂存区
3. 调用 SparkSQL 执行 `jobs/raw/{域}/{表}.sql`，文件内通过 `USING csv OPTIONS(...)` 临时视图解析 CSV，再 `INSERT OVERWRITE` 写入对应 raw 表
4. 清理 HDFS 暂存文件

**CSV 导入任务定义模板**（`jobs/raw/trd/raw_trd_legacy_order_his_o.sql`，**CTAS 一次性导入**）：

```sql
-- ============================================================
-- 目标表：raw.raw_trd_legacy_order_his_o
-- 业务含义：交易域 - 历史订单 CSV 导入（一次性历史快照 his）
-- 源数据：本地路径 /data/uploads/legacy_orders/historical.csv
--        编码 UTF-8 / 带表头 / 逗号分隔 / 双引号 quote / 字段内允许换行
-- 执行器：bin/csv-to-hdfs-starter.py
-- 暂存路径：/tmp/csv_staging/raw_trd_legacy_order_his_o/
-- 负责人：tianyu.chu
-- 创建日期：2026-xx-xx
-- 状态：[待执行]
-- 备注：CTAS 语法一次性建表 + 写入，无需在 manual/ddl/ 单独写 CREATE TABLE
-- ============================================================

-- csv-to-hdfs-starter 通过文件头注释读取这两个变量并完成 gzip+put 操作
-- @local_csv     = /data/uploads/legacy_orders/historical.csv
-- @hdfs_staging  = /tmp/csv_staging/raw_trd_legacy_order_his_o/

SET spark.sql.shuffle.partitions=50;

-- 用 USING csv 临时视图解析 HDFS 暂存区的 CSV，所有字段读为 STRING
CREATE OR REPLACE TEMPORARY VIEW v_raw_trd_legacy_order_stage
USING csv
OPTIONS (
    path        '/tmp/csv_staging/raw_trd_legacy_order_his_o/',
    header      'true',
    quote       '"',
    escape      '"',
    multiLine   'true',
    inferSchema 'false'
);

-- CTAS：一次性建表 + 写入，全字段 STRING（Spark 默认从 v_stage 推断为 STRING）
-- 不需要预先在 manual/ddl/ 写 CREATE TABLE
DROP TABLE IF EXISTS raw.raw_trd_legacy_order_his_o;

CREATE TABLE raw.raw_trd_legacy_order_his_o
USING ORC
OPTIONS ('orc.compress'='NONE')
COMMENT '交易域-历史订单CSV导入(一次性,全STRING)'
AS
SELECT
    order_id,
    user_id,
    amount,
    order_time
FROM v_raw_trd_legacy_order_stage
;
```

**CTAS vs INSERT OVERWRITE 何时用哪个**：

| 场景 | 推荐写法 | 是否需要 `manual/ddl/` 文件 |
|---|---|---|
| **一次性 CSV 导入**（历史回刷、单批 vendor 数据），表名 `raw_xxx_his_o` | `DROP TABLE + CREATE TABLE ... AS SELECT`，**不分区** | 否，CTAS 一步搞定 |
| **每日重复的 CSV 导入**（daily file drop） | 在 `manual/ddl/` 先建分区表，每日 SQL 用 `INSERT OVERWRITE TABLE ... PARTITION (dt='${dt}')` | 是，需要 `manual/ddl/{表名}.sql` |
| **结构化源库同步**（PG/MySQL 等） | DataX ini，`writeMode=truncate` 或分区覆盖 | 是，需要 `manual/ddl/{表名}.sql` |

**`his` 表为什么不分区**：一次性导入永不追加，分区裁剪没有意义；CTAS 也不适合直接建分区表（每次都会 `DROP`，无法保留历史分区）。如果业务要求"按日期看一眼"，下游 ods 建分区表，用 `INSERT OVERWRITE PARTITION (dt) ... DISTRIBUTE BY dt` 一次性把 raw → ods 切片即可（见 §9.3.1）。

**为什么 CSV 一次性导入推荐 CTAS**：
- 省掉单独写 `manual/ddl/{表名}.sql` 的步骤，减少维护点
- 字段类型由 SELECT 列自动确定（CSV 全 STRING 场景下 Spark 默认推断为 STRING，符合 raw 层契约）
- `DROP + CREATE` 配合 `IF EXISTS` 是幂等的，重跑安全

**为什么用 SQL 而不是 YAML 描述 CSV 任务**：
- 复用 `SparkSQL` 现有执行链，`bin/csv-to-hdfs-starter.py` 只需在 `bin/spark-sql-starter.py` 之外加一层 gzip+put+清理的薄壳，不需要单独的 YAML 渲染器
- `USING csv OPTIONS(...)` 本身就是 Spark 的声明式 CSV 读取语法，YAML 再封装一层是多余的
- 与其他分层文件类型一致（除 raw DataX ini 外，其他都是 `.sql`），AI 与人都不需要切换上下文

### 9.3.1 raw → ods 历史回刷（his → 分区表）

**典型链路**：`raw_xxx_his_o`（不分区，全 STRING）→ `ods_xxx_inc_d`（按 `dt` 分区，类型化）。一次性 SQL 跑完后，下游 dwd/dws 看到的就是和"每日增量 ods"一样形态的分区表，无需感知数据来自历史导入。

**ods 表先在 `manual/ddl/ods_trd_order_pay_inc_d.sql` 建好**（同 §9.1 模板）。然后用一次性 SQL 把 raw 的全量切片到 ods 各分区：

```sql
-- ============================================================
-- 目标表：ods.ods_trd_order_pay_inc_d
-- 上游：  raw.raw_trd_legacy_order_his_o（一次性历史 his）
-- 性质：  一次性回刷，跑完后该 SQL 移入 manual/backfill/ 归档
-- 状态：  [待执行]
-- ============================================================

SET hive.exec.dynamic.partition=true;
SET hive.exec.dynamic.partition.mode=nonstrict;
SET hive.exec.max.dynamic.partitions=5000;
SET hive.exec.max.dynamic.partitions.pernode=2000;
SET spark.sql.shuffle.partitions=400;

INSERT OVERWRITE TABLE ods.ods_trd_order_pay_inc_d PARTITION (dt)
SELECT
    CAST(order_id AS BIGINT)         AS order_id,
    CAST(user_id  AS BIGINT)         AS user_id,
    CAST(amount   AS DECIMAL(18,2))  AS pay_amt_cny,
    CAST(order_time AS TIMESTAMP)    AS pay_time,
    CURRENT_TIMESTAMP()              AS etl_time,
    SUBSTR(order_time, 1, 10)        AS dt          -- 分区列必须放最后
FROM raw.raw_trd_legacy_order_his_o
DISTRIBUTE BY dt;
```

**为什么必须 `DISTRIBUTE BY dt`**：

- 不加时，每个 reducer 都可能写所有分区 → 每个分区产出 `shuffle.partitions` 个小文件，几百日的历史会瞬间产生数万小文件，NameNode 直接告急
- 加了之后同一 dt 的数据汇聚到一个 reducer → 每个分区只有 1 个文件，对历史回刷来说写入性能也最高
- 如果某些 dt 数据量特别大（双十一这种），单 reducer 写不动，可改成 `DISTRIBUTE BY dt, FLOOR(RAND() * 8)` 把每个大 dt 切 8 份并行

**回刷脚本归档**：这类一次性 SQL 不放 `jobs/`（避免被 DS 误调度），而是放在 `manual/backfill/{yyyymmdd}_{表名}_history.sql`，跑完后保留 3-6 个月入档。

### 9.4 ads 层（SQL + 导出 ini 并存）

```
manual/ddl/
└── ads_trd_gmv_d.sql                  # 建表 DDL（首次建表，永久保留）

jobs/ads/trd/
├── ads_trd_gmv_d.sql                  # 每日计算产出 ads 表
└── ads_trd_gmv_d_export.ini           # 导出到 Doris/ClickHouse/MySQL 的 DataX ini
```

**命名规则**：导出 ini 文件名 = `{ads 表名}_export.ini`，便于一眼对应。

### 9.5 文件命名速查

| 目录 | 文件后缀 | 文件名规则 | 说明 |
|---|---|---|---|
| `manual/ddl/` | `.sql` | `{目标表名}.sql`（首次） 或 `{yyyymmdd}_{表名}_{change}.sql`（ALTER） | DDL 唯一来源；首次建表用 `CREATE TABLE IF NOT EXISTS`，后续 ALTER 带日期前缀，执行后归档 |
| `jobs/raw/{domain}/` | `.ini`（DataX）或 `.sql`（CSV 导入） | `{目标表名}.ini` 或 `{目标表名}.sql` | DataX 采集或 CSV 导入任务定义 |
| `jobs/{ods\|dwd\|dws\|tdm}/{domain}/` | `.sql` | `{目标表名}.sql` | 每日 `INSERT OVERWRITE` 计算 |
| `jobs/ads/{domain}/` | `.sql` + `.ini` | `{ads 表名}.sql` + `{ads 表名}__{db_type}_{instance}.ini` | 产出 + 导出；同一张 ads 表扇出多下游时各一份 ini（见 `21-命名规范.md` §3.9） |
| `manual/backfill/` | `.sql` | `{yyyymmdd}_{表名}_history.sql` | 一次性历史回刷脚本 |

### 9.6 表结构变更流程（migration 模式）

当要给某张表加列 / 改字段时，**只写新文件，不改老文件**：

在 `manual/ddl/{yyyymmdd}_{表名}_{change}.sql` 写 ALTER 语句（带工单号、目的、回滚方案）

- ALTER 文件按时间前缀线性堆叠，`grep dwd_trd_order_pay manual/ddl/` 即可看到该表的全部 DDL 历史，按文件名时间序回放就是表结构的完整演化
- 真要在新环境重建这张表，按时间顺序把 `manual/ddl/{表名}.sql` + 所有相关 ALTER 文件依次执行即可，结果和生产一致。**注意**：目前没有自动化重放工具，需要人手按文件名时间序执行；未来视需要可以写一个 `bin/replay-ddl.sh`（当前未实现）
- 这是数据库 migration 工具（Flyway / Alembic / Liquibase）的标准做法，已被工业界验证