DBT运行（或指定模型）完成后如何运行Python代码？

1. 触发方式选择 #

• 全量运行后触发优先用dbt原生on-run-end钩子：直接在dbt_project.yml的on-run-end配置项里写脚本调用命令即可，比如on-run-end: "python your_analysis_script.py"。钩子可以拿到本次dbt运行的全量结果集，你可以在脚本内判断目标模型是否运行成功，再执行后续分析逻辑。
• 复杂依赖场景用编排工具管理：如果你的脚本有其他上下游依赖、需要失败重试/告警能力，推荐用Airflow、Prefect、Dagster这类工作流编排工具，将dbt运行任务和Python脚本任务配置为上下游依赖，dbt任务执行成功后才触发Python任务。
• 本地临时调试用链式命令：本地ad-hoc运行的场景直接用shell的&&拼接命令即可，比如dbt run --select your_target_model && python your_analysis_script.py，只有前面dbt运行成功才会执行后续Python逻辑，无需额外配置。

2. 脚本对接dbt资源的规范 #

• 复用dbt的配置避免重复维护：不要在Python脚本里单独写数据库连接信息，优先用dbt-lib库加载dbt的profiles.yml配置，直接获取数据库连接，保证和dbt的权限、连接参数一致，避免配置不同步的问题。
• 先校验dbt运行结果再执行分析：脚本运行第一步先读取dbt生成的run_results.json元数据文件，确认你依赖的模型本次运行成功、数据量符合预期，再执行后续分析逻辑，避免拿旧数据或者运行失败的模型结果产出错误结论。
• 回写数据遵循分层规则：如果分析结果需要回写数仓，建议写入专门的ad-hoc分析schema，不要直接修改dbt管理的生产层表，避免和dbt的调度运行逻辑冲突。

3. ad-hoc场景的特殊优化 #

• 脚本做参数化配置：把依赖模型名、运行环境、分析时间范围这类可变参数设为脚本入参，执行时传入即可，比如python your_script.py --model fct_user_order --env prod，无需每次修改代码适配不同分析需求。
• 增加预检查逻辑：脚本内先做dry run校验，确认目标dbt模型存在、访问权限正常、数据时间范围符合分析要求后，再执行重计算逻辑，避免跑一半报错浪费资源。
• 统一留存运行日志：把脚本的运行日志、分析结果的统计信息和dbt运行日志放在一起管理，方便后续回溯问题。

小提示：如果你的Python分析逻辑本身是可固化的转换逻辑，优先考虑用dbt Python模型实现，直接纳入dbt的版本管理、血缘、权限体系，不需要额外做调度依赖对接。

内容的提问来源于stack exchange，提问作者s_curry_s