用途：为数据工程任务提供可复用的代码模式与规范，覆盖 ETL 管道、数据仓库建模、Apache Spark 处理和数据质量校验。
主要能力：
- ETL 管道模式：以 dataclass 定义 PipelineResult，用 OrderPipeline 类实现 extract/transform/load/run 四阶段，含增量抽取（按 updated_at 水位）、字段转换、批量 upsert（conflict_keys 与 batch_size）。
- Spark 处理：用 SparkSession 读取 Parquet，开启 spark.sql.adaptive.enabled，设置 spark.sql.shuffle.partitions；示例按日期与品类聚合收入、订单数、客单价，并用窗口函数计算 7 日滚动均值，最后按 order_date 分区写出。
- 数据质量检查：用 QualityCheck dataclass 定义名称、SQL、阈值与严重级别，示例含空值、负金额、重复订单、新鲜度检查；critical 未通过时抛出 DataQualityError。
- 数据仓库模式：给出星型模式建表语句，含 dim_customers（含 valid_from/valid_to/is_current 缓慢变化维）、dim_products 与 fact_orders（外键、金额、loaded_at）。
- 反模式与清单：列出逐行处理、未分区、缺少质量检查、原始数据直接入库、全表扫描、缺少数据血缘等反模式，并给出幂等加载、增量处理、新鲜度告警、模式演进等检查项。
使用方式：资料未提供安装命令或调用方式，仅以代码示例形式呈现，需自行将模式应用到具体项目。
适用场景：构建订单等业务 ETL、搭建星型数仓、编写 Spark 批处理作业、为管道添加质量门禁。
限制：示例使用 Python、PySpark 与 SQL，依赖具体数据库与存储（如 S3）；未提供运行环境、依赖版本、性能基准或收费信息。