poyee-data-warehouse

dw-project

基于 PySpark + DataX 的数据仓库项目，负责多源数据采集、清洗、分层加工和分发。

本 README 兼作开发手册，也是 vibe coding 和 Review 的参考依据。

项目现状速读（冷启动必读）

• launch-pad/ 不做业务迁移：里面是上个项目（与当前业务无关）的历史业务代码，仅作样板 SQL / DataX ini 写法的参考，新项目业务 SQL 全部从零开发，完成后 launch-pad/ 整体删除
• 重构进度：进度追踪见 kb/92-重构进度.md

技术栈

• 计算引擎：PySpark 2.4 on YARN (CDH 6.3.2)
• 数据集成：DataX_v202309
• 元数据管理：Hive MetaStore
• 存储：HDFS (ORC)、RDS PostgreSQL --> Polar PostgreSQL、Elasticsearch
• 调度：DolphinScheduler
• 告警：企业微信机器人

目录结构

dw-project/
├── bin/           # 启动脚本（Shell + Python 入口）
├── jobs/          # 业务代码，按数仓分层组织
│   ├── raw/       #   原始数据采集（DataX ini）
│   ├── ods/       #   贴源层（SQL）
│   ├── dwd/       #   明细层（SQL）
│   ├── dws/       #   汇总层（SQL）
│   ├── tdm/       #   主题域模型层（SQL）
│   └── ads/       #   应用层（SQL + 导出 ini）
├── dw_base/       # 通用库（Spark 引擎、DataX 引擎、工具函数、UDF）
├── kb/            # 知识库（项目文档）
├── conf/          # 配置（非敏感项，样例 + 环境配置）
├── publish.sh     # 集群部署脚本
└── requirements.txt

数据源连接配置（含账密）存放在项目同级目录 datasource/ 下，由运维维护，不纳入版本控制。

主要执行入口

脚本	用途	示例
bin/spark-sql-starter.py	执行 Spark SQL	-f jobs/customs/001india/02incr/01india_im/02dwd.sql -dt 20250101
bin/datax-multiple-hive-job-starter.sh	MySQL→Hive 批量采集（主力）	-gcd conf/datax/config/mysql-hdfs/prod -start-date 20250101 -parallel
bin/datax-multiple-job-starter.sh	通用批量 DataX 同步	-gcd jobs/customs/001india/02incr/01india_im/ -start-date 20250101
bin/datax-single-job-starter.sh	单个 DataX 同步	-gc jobs/xxx/from_mongo.ini -start-date 20250101

数仓分层

PG/ES ──DataX(raw)──> RAW ──> ODS ──> DWD ──> DWS ──> TDM ──> ADS

开发环境

• 使用 PyCharm 远程 SSH 连接服务器开发调试
• Python 3.6.8，依赖见 requirements.txt
• 部署：publish.sh 通过 git pull + rsync 分发到集群各节点

文档索引

文件按编号前缀分组，序号越小越基础、越靠前阅读。

0x 项目与环境

文档	内容
00-项目架构	模块关系图、Spark SQL / DataX 执行时序、DataX 脚本详细使用说明、配置管理
01-运行环境	CDH 技术栈版本、平台架构图、开发侧约束
02-权限与账号	鉴权链路、job账号 vs 个人账号

1x 业务上下文

文档	内容
10-业务流程	Hobby Stocks 用户侧 + 商家侧 + 售后全链路流程图
11-数据资产	业务库、埋点数据、爬虫数据、采购数据清单
12-同步方案	PG → Hive 存量/增量/历史归档/CDC 同步策略与阶段演进

2x 数仓建模

文档	内容
20-数仓分层与建模	分层定义、主题域、总线矩阵、维度建模五步法、同步策略
21-命名规范 ★	五段式表名、字段规则、词根字典、建表自检 Checklist
22-指标体系	指标分类、逻辑结构、指标/维度/度量字典
23-标签体系	TDM 层用户/商品/商家画像设计

3x 开发流程

文档	内容
30-开发规范	TPAD 任务规范、数仓数据开发流程、代码 / SQL 规范、Git 协作规范
31-UDF手册	UDF 自查表

9x 过渡资料

文档	内容
90-重构路线	基于老项目代码分析的重构路线（P0-P3）
92-重构进度	重构任务 checklist 与当前进度

阅读建议

新成员上手路径：

1. 00-项目架构 — 了解模块全貌
2. 01-运行环境 — 了解基础设施
3. 20-数仓分层与建模 — 了解建模方法论
4. 21-命名规范 — 熟悉命名规则（★ 最高频参考）
5. 30-开发规范 — 熟悉开发流程

样板（待补充）：

• DataX ini 样板 → conf/templates/datax/{raw,ads,manual}/*.template.ini
• Spark SQL 样板 → conf/templates/sql/*.template.sql
• 建表 DDL 样板 → conf/templates/ddl/*.template.sql
• 数据源连接样板 → conf/templates/datasource/*.template.ini