data_nexus/manifest.yaml.example

# ============================================================
# Data Nexus - manifest.yaml 示例
# 将此文件重命名为 manifest.yaml 放到你的 Git 仓库根目录
# Data Nexus 会在每次 push 时自动读取并处理
# ============================================================

# 项目名称（必填）
# 同一个 project_name 的数据会归档在同一个项目下
project_name: what-创作

# 每个 stage 代表数据流水线中的一个环节
stages:
  # ---------- 阶段 1：原始数据 ----------
  - name: raw
    outputs:
      # 示例 A：收集目录下的所有文件（默认方式）
      - path: data/raw/
        pattern: "*"

  # ---------- 阶段 2：清洗后数据 ----------
  - name: cleaned
    outputs:
      # 示例 B：收集特定类型文件，并排除临时文件
      - path: data/cleaned/
        pattern: "*.csv"        # 只收集 CSV
        exclude: "*.tmp"        # 排除 .tmp 结尾的中间文件

  # ---------- 阶段 3：多模式匹配与复杂过滤 ----------
  - name: output
    outputs:
      # 示例 C：使用列表指定多个包含模式和多个排除模式
      - path: results/
        pattern: 
          - "*.pdf"
          - "*.xlsx"
        exclude:
          - "~*"                # 排除 Office 临时锁定文件
          - "draft_*"           # 排除草稿
      
      # 示例 D：也可以指定单个文件
      - path: final_report.docx

  # ---------- 阶段 4：带有元数据与 JSON 值提取的数据 ----------
  - name: enhanced_data
    outputs:
      # 示例 E：指定文件为“输入”，并打上标签
      - path: data/input/article.md
        direction: input        # 指定是 input 还是 output
        label: 帖子输入         # 指定该数据的业务名称（标签）

      # 示例 F：指定文件为“输出”，并且如果是 JSON 文件，可以提取特定 key 的值
      #          同时指定深度 directory_depth: 2，这样如果文件在 `data/output/foo/bar.json`
      #          它的 group_key 会被设置成 `data/output` 而不是默认的 `data/output/foo`
      - path: data/output/
        pattern: "*.json"
        direction: output
        label: 灵感点
        extract_json_key: "data.idea_content"  # 会解析 JSON 并提取对应 key 的值保存
        directory_depth: 2
        
  # ---------- 阶段 5：动态配对输入文件（自动提取） ----------
  - name: auto_paired_data
    outputs:
      # 示例 G：当产生一个结果文件时，根据正则表达式从输出路径中提取变量，
      #          主动去 Gogs 拉取与其配对的原始输入文件，并将它们同归到一组中。
      - path: aiddit/decode/topic/result/
        pattern: "*.json"
        direction: output
        label: 标准化结果
        paired_input:
          # 正则表达式，使用命名捕获组如 (?P<name>...) 提取变量
          extract_regex: "aiddit/decode/topic/result/(?P<name>[^/]+)/final_normalization/(?P<filename>[^/]+)"
          # 使用提取的变量构造对应的 input 路径
          path_template: "aigc_data/{name}/{filename}"
          direction: input
          label: 原始数据

# ============================================================
# 字段说明
# ============================================================
#
# project_name  (必填) 项目名称，同名自动归档到同一项目
#
# stages        (推荐) 阶段列表，每个阶段包含：
#   - name      (必填) 阶段名称，如 raw / cleaned / output
#   - outputs   (必填) 输出规则列表，每条规则包含：
#     - path    (必填) 文件路径或目录路径
#                      以 / 结尾 → 视为目录，收集目录下的文件
#                      不以 / 结尾 → 视为单个文件
#     - pattern (可选) 文件包含规则，支持通配符或列表
#                      示例: "*.csv"
#                      示例: ["*.csv", "*.json"]
#     - exclude (可选) 文件排除规则，支持通配符或列表
#                      示例: "*.tmp"
#                      示例: ["*.log", ".DS_Store"]
#     - direction (可选) 该文件的流入/流出方向（如 'input', 'output' 等）
#     - label     (可选) 该文件的业务称呼/标签（如 '帖子输入', '灵感点' 等）
#     - extract_json_key (可选) 针对 JSON 文件，配置要提取解析的 json key 路径（支持由于嵌套的 . 分隔，例如 'data.content'）。提取的值会被记录在数据库中。
#     - directory_depth  (可选) 定义这组规则生成的文件关联用的父目录深度（如 1 或 2，用来将不同子目录的关联文件合并到一行展示）。
#     - paired_input     (可选) 动态输入映射规则，用于输出生成后主动拉取关联的输入。包含：
#       - extract_regex:   提取路径变量的正则表达式 (必需使用命名捕获组，如 (?P<var>...))
#       - path_template:   组装对应输入文件路径的模板 (如 "aigc_data/{var}/file.json")
#       - direction:       配对文件的方向 (通常为 "input")
#       - label:           配对文件的业务名称
#
# ============================================================
# 工作流程
# ============================================================
#
# 1. 开发者在仓库根目录放置 manifest.yaml
# 2. 开发者 git push 代码
# 3. Gogs Webhook 触发 → Data Nexus 收到推送通知
# 4. Data Nexus 读取该 commit 的 manifest.yaml
# 5. 根据 stages 配置，自动提取对应的产出文件
# 6. 文件上传到 OSS，元数据记录到数据库
# 7. 通过 Web 页面即可浏览和下载
#
# 注意：如果某次 push 没有改变任何数据文件（仅改了代码），
#       Data Nexus 会自动识别并跳过，不会创建空的版本记录。
# ============================================================