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。

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（MySQL 后端）
• 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(datax部分待重构)

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	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（暂时不使用）

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。每篇文档是其主题的唯一权威（SSOT），跨文档用 § 锚点互引、不复述。

0x 平台基建

文档	职责
00-项目导览	项目导览：目录结构、配置管理、DataX / Spark 入口、执行链路、基础模块、部署架构
01-运行环境	基础设施：CDH 版本矩阵、集群拓扑、开发侧约束
02-权限与账号	鉴权链路：HS2 doAs / PySpark / Ranger / LDAP；job 账号 vs 个人账号

1x 业务与接入

文档	职责
10-业务流程	业务全景：用户 + 商家 + 售后全链路流程
11-数据资产	数据源清单：业务库 / 埋点 / 爬虫 / 采购
12-同步方案	同步策略：PG→Hive 存量 / 增量 / 历史归档 / CDC 阶段演进
13-埋点同步-设计	埋点同步设计：合规约束、整体方案、脱敏策略、协作流程（受众：产品 / CTO）
14-埋点同步-开发	埋点同步实现：raw DDL、脱敏配置、历史 / 增量入仓脚本、落地 checklist
15-raw接入流程	新表入仓标准 8 步：sync 生成器 + mask 配置 + DDL 生成器 + raw/ods 建模文档协同

2x 数仓建模

文档	职责
20-数仓分层与建模	建模方法论：分层定义、主题域、总线矩阵、维度五步法、分区与建模原则
21-时间语义	时间变量约定：T 任务日锚点 + DS 变量底层 + cdt/dt/tdt/pdt 项目参数 + 各层 dt 语义 + 重跑幂等条件
22-raw / ods 建模	raw/ods 层约定 + raw 源表字段目录：raw 全 STRING landing、ods 类型化/脏数据边界、各源表三态裁剪决策
23-dwd建模	DWD 字段建模：业务过程拆分 + 维度退化策略 + 滚动 N=30 回算 + 各业务过程字段表
24-dim建模	DIM 字段建模：ful_d 优先选型 + ful→zip 触发条件 + 跑批策略 + 脏数据清洗位置 + 各实体字段表
25-dws建模	DWS 字段建模：日聚合主题宽表单一职责 + 维度退化触发条件 + 滚动 30 回算（与 DWD 对齐）+ 字段表
26-tdm建模	TDM 字段建模：EAV 7 字段不扩 + _d 日更 / _o 凝固分表 + tag_code 命名 + 16 品类 × 4 窗口消费明细 + 跨年扩张

3x 指标与标签

文档	职责
30-指标体系	指标字典：指标 / 维度 / 度量定义与口径
31-标签体系	TDM 画像：用户 / 商品 / 商家标签体系架构
32-标签字典	标签字典权威源：103 标签全量（编码 / 口径 / 业务价值 / 示例）+ 编码规则 + 跨年滚动 + INTERSECT 圈选 SQL 示例（读者：运营 / 数据分析师）

4x 规范与工具

文档	职责
40-命名规范	命名规则：Hive 表 / 字段 / 词根字典 + 建表 Checklist
41-开发规范	开发方法论：TPAD、数据开发流程、代码/SQL/Git 规范、DDL/jobs 文件组织、manual/ 临时 SQL、样板
42-UDF手册	UDF 登记表：通用 + 业务 UDF 清单

9x 演进与决策

文档	职责
90-演进路线	后续演进：四模块边界 + ops/dq/publish/TAPD 待办
93-架构决策	ADR 沉淀：重构与建模的关键决策、权衡、反悔条件

阅读建议

新成员上手路径：

1. 00-项目导览 — 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. 40-命名规范 — 熟悉命名规则
5. 41-开发规范 — 熟悉开发流程