dbt中多源数据库场景处理

在dbt中处理多数据源（如MySQL、PostgreSQL、Oracle、DuckDB、SQLite等）的核心思路是：通过dbt的适配器生态连接不同数据库，再通过“数据源声明”“跨库引用”“模型分层”等机制实现统一管理。具体处理方式和规划可分为以下几个步骤：

一、核心原理：dbt适配器与多数据源支持

dbt通过适配器（Adapter） 实现对不同数据库的支持——每种数据库对应一个dbt适配器（如dbt-mysql、dbt-postgres），适配器负责将dbt的通用逻辑（如模型执行、测试）转换为目标数据库的原生语法。

目前dbt官方或社区已支持你提到的所有数据库：

• MySQL：dbt-mysql（社区维护）
• PostgreSQL：dbt-postgres（官方）
• Oracle：dbt-oracle（官方）
• DuckDB：dbt-duckdb（社区，轻量级OLAP）
• SQLite：dbt-sqlite（社区，文件型数据库）

前提：需为每个数据库安装对应的适配器，例如：

pip install dbt-mysql dbt-postgres dbt-oracle dbt-duckdb dbt-sqlite

二、多数据源配置：通过profiles.yml管理连接

dbt通过profiles.yml文件管理所有数据库的连接信息，需为每个数据库定义独立的“连接配置”，并通过“目标（target）”或“项目配置”指定模型对应的数据库。

示例profiles.yml配置：

# 为整个dbt项目定义多数据源连接
my_multi_db_project:
  target: dev  # 默认环境（开发）
  outputs:
    # 1. MySQL连接
    mysql_dev:
      type: mysql
      host: mysql-host.example.com
      user: mysql_user
      password: mysql_pwd
      port: 3306
      database: mysql_db  # MySQL中实际是schema
      schema: raw_data    # 数据存放的schema
      threads: 4

    # 2. PostgreSQL连接
    postgres_dev:
      type: postgres
      host: pg-host.example.com
      user: pg_user
      password: pg_pwd
      port: 5432
      database: pg_db
      schema: raw_data
      threads: 4

    # 3. Oracle连接
    oracle_dev:
      type: oracle
      user: oracle_user
      password: oracle_pwd
      host: oracle-host.example.com
      service: orcl  # Oracle服务名
      schema: raw_data
      threads: 2

    # 4. DuckDB连接（文件型，无需服务）
    duckdb_dev:
      type: duckdb
      path: ./duckdb_dev.db  # 数据库文件路径
      schema: raw_data

    # 5. SQLite连接（文件型）
    sqlite_dev:
      type: sqlite
      database: ./sqlite_dev.db  # 数据库文件路径
      schema: main  # SQLite默认schema

• 每个数据库连接有独立的type（对应适配器）和专属配置（如Oracle的service、DuckDB的path）；
• 可通过--target参数切换整体环境（如dbt run --target mysql_dev），但更灵活的方式是在模型中指定数据源。

三、模型开发：明确数据源归属与跨库引用

多数据源场景下，需通过“源数据声明（Sources）” 和“模型配置” 明确每个模型的“输入源”和“输出目标库”，避免混淆。

1. 声明多数据源的原始表（Sources）

在models/schema.yml中，按数据库分类声明原始表，明确每个表来自哪个数据库连接：

sources:
  # 1. 来自MySQL的原始表
  - name: mysql_source
    database: mysql_db  # 对应profiles中的database
    schema: raw_data
    loader: mysql  # 标识数据源类型
    tables:
      - name: user_logs  # MySQL中的用户日志表
        description: "MySQL中的用户行为日志"

  # 2. 来自PostgreSQL的原始表
  - name: pg_source
    database: pg_db
    schema: raw_data
    loader: postgres
    tables:
      - name: orders  # PostgreSQL中的订单表
        description: "PostgreSQL中的电商订单数据"

  # 3. 来自Oracle的原始表
  - name: oracle_source
    database: oracle_db
    schema: raw_data
    loader: oracle
    tables:
      - name: products  # Oracle中的商品表
        description: "Oracle中的商品信息"

• 通过sources声明后，模型中可通过{{ source('mysql_source', 'user_logs') }}引用MySQL的表，dbt会自动关联到profiles.yml中的对应连接；
• database字段需与profiles.yml中对应连接的database一致，确保dbt能定位数据源。

2. 定义模型的输出目标库

默认情况下，模型会输出到profiles.yml中target指定的数据库，但可在模型中通过config强制指定输出目标库（例如将清洗后的模型统一输出到DuckDB进行分析）：

-- models/staging/stg_mysql_user_logs.sql
-- 从MySQL读取原始日志，清洗后输出到DuckDB
{{ config(
  materialized='table',
  database='duckdb_dev',  # 对应profiles中的DuckDB连接名
  schema='staging'
) }}

select
  user_id,
  action,
  cast(created_at as timestamp) as event_time  -- 统一时间格式
from {{ source('mysql_source', 'user_logs') }}  -- 来自MySQL
where user_id is not null

-- models/staging/stg_pg_orders.sql
-- 从PostgreSQL读取订单，清洗后输出到DuckDB
{{ config(
  materialized='table',
  database='duckdb_dev',  # 统一输出到DuckDB
  schema='staging'
) }}

select
  order_id,
  user_id,
  amount,
  order_date::date as order_date  -- PostgreSQL日期转换
from {{ source('pg_source', 'orders') }}  -- 来自PostgreSQL

• 通过database配置指定模型输出的目标数据库（需在profiles.yml中存在对应连接）；
• 建议将分散在多库的原始数据清洗后，统一输出到一个“集成库”（如DuckDB、PostgreSQL），减少后续跨库查询的复杂性。

3. 跨库模型引用

当需要基于不同库的清洗后模型做聚合时，直接通过ref()函数引用即可（dbt会自动处理跨库依赖）：

-- models/marts/agg_user_behavior.sql
-- 基于DuckDB中的清洗模型做聚合（这些模型来自不同原始库）
select
  u.user_id,
  count(distinct l.event_time::date) as active_days,  -- 来自MySQL的日志
  sum(o.amount) as total_spend  -- 来自PostgreSQL的订单
from {{ ref('stg_mysql_user_logs') }} l  -- 已输出到DuckDB
left join {{ ref('stg_pg_orders') }} o 
  on l.user_id = o.user_id
group by u.user_id

• 只要被引用的模型（stg_mysql_user_logs等）已输出到同一数据库（如DuckDB），ref()会直接引用目标库中的表，无需额外跨库配置；
• 若需直接跨库Join（不建议，性能差），需通过数据库原生语法（如database.schema.table），但dbt的测试、血缘功能可能受限。

四、项目规划：多数据源场景的最佳实践

1. 模型分层：按“数据源→集成→应用”分层

建议将模型分为3层，减少跨库依赖的复杂性：

• 原始层（staging）：按数据源分类（如staging/mysql/、staging/postgres/），负责从各库读取原始数据，做轻量清洗（格式转换、去空），并统一输出到集成库（如DuckDB）；
• 集成层（marts/integration）：在集成库中整合多源数据（如关联MySQL的用户日志和PostgreSQL的订单）；
• 应用层（marts/app）：基于集成层数据构建业务模型（如用户画像、销售报表），输出到最终目标库（如PostgreSQL供BI工具访问）。

目录结构示例：

models/
├── staging/
│   ├── mysql/          # 来自MySQL的清洗模型
│   │   └── stg_mysql_user_logs.sql
│   ├── postgres/       # 来自PostgreSQL的清洗模型
│   │   └── stg_pg_orders.sql
│   └── oracle/         # 来自Oracle的清洗模型
│       └── stg_oracle_products.sql
└── marts/
    ├── integration/    # 多源集成模型
    │   └── int_user_data.sql
    └── app/            # 业务应用模型
        └── agg_user_metrics.sql

2. 处理数据库语法差异

不同数据库的SQL语法存在差异（如日期函数、字符串处理），可通过宏（Macros） 统一逻辑：

-- macros/date_utils.sql：统一日期转换逻辑
{% macro convert_to_date(column) %}
  {% if target.type == 'mysql' %}
    date({{ column }})  -- MySQL语法
  {% elif target.type == 'postgres' %}
    {{ column }}::date  -- PostgreSQL语法
  {% elif target.type == 'oracle' %}
    to_date({{ column }}, 'yyyy-mm-dd')  -- Oracle语法
  {% else %}
    {{ column }}::date  -- 通用语法（DuckDB、SQLite兼容）
  {% endif %}
{% endmacro %}

在模型中引用宏，实现跨库语法兼容：

select
  {{ convert_to_date('created_at') }} as event_date  -- 自动适配不同数据库
from {{ source('mysql_source', 'user_logs') }}

3. 环境隔离与权限控制

• 多环境配置：在profiles.yml中为每个数据库配置dev（开发）、prod（生产）环境，避免开发污染生产数据；
• 最小权限原则：为dbt配置的数据库账号赋予“只读”权限（对原始库）和“读写”权限（对目标集成库），限制数据修改风险；
• 敏感数据处理：通过宏对多库中的敏感字段（如手机号）统一脱敏，确保跨库处理时的合规性。

4. 性能优化

• 避免跨库Join：尽量将数据同步到同一集成库后再做关联，减少跨库查询的性能损耗；
• 利用数据库特性：对大数据量的原始库（如Oracle），在staging层使用增量同步（incremental模型），仅处理新增数据；
• 轻量库优先：将高频访问的中间模型放在轻量级数据库（如DuckDB），加速开发迭代。

五、总结

处理多数据源的核心是：通过适配器连接数据库→通过sources声明原始数据→通过模型配置控制输出目标→通过分层和宏解决集成与兼容问题。

关键规划原则：

1. 尽量将分散数据“收拢”到集成库后再处理，减少跨库依赖；
2. 用宏统一语法差异，避免模型中出现数据库专属代码；
3. 按数据源分层管理模型，保持目录结构清晰；
4. 严格区分开发/生产环境，控制权限和数据安全。

通过这套方案，dbt可有效协调多数据库，让数据团队专注于转换逻辑，而非数据源差异。