baseldosdados

Mirror completo das tabelas públicas do projeto Base dos Dados — 533 tabelas, ~675 GB em Parquet+zstd.

Os dados foram exportados do BigQuery para o Hetzner Object Storage (Helsinki) no formato Parquet com compressão zstd, organizados por dataset e tabela. O acesso é feito diretamente sobre os arquivos via DuckDB, sem necessidade de importar nada localmente — as queries leem os parquets do S3 sob demanda.

---

Consultando os dados

Acesso via browser ou curl, protegido por senha - peça!

Shell no browser

Acesse https://db.ミ.xyz → autentique → shell DuckDB interativo direto no browser.

Use .tables para listar os datasets.

SQL via curl

Endpoint POST /query — SQL no body, resultado como texto plano:

# Query inline
curl -s -X POST https://db.xn--2dk.xyz/query \
  -H "X-Password: <senha>" \
  --data-binary "SELECT count(*) FROM br_anatel_banda_larga_fixa.densidade_brasil"

# A partir de um arquivo .sql
curl -s -X POST https://db.xn--2dk.xyz/query \
  -H "X-Password: <senha>" \
  --data-binary @minha_query.sql

# Heredoc (útil em scripts)
curl -s -X POST https://db.xn--2dk.xyz/query \
  -H "X-Password: <senha>" \
  --data-binary @- << 'SQL'
SELECT sigla_uf, sum(densidade) AS total
FROM br_anatel_banda_larga_fixa.densidade_uf
WHERE ano = 2023
GROUP BY 1
ORDER BY 2 DESC
SQL

# Salvar resultado em arquivo
curl -s -X POST https://db.xn--2dk.xyz/query \
  -H "X-Password: <senha>" \
  --data-binary @query.sql > resultado.csv

---

Exploração local

Para rodar as queries na sua própria máquina com DuckDB instalado:

duckdb data/basedosdados.duckdb

As queries são executadas diretamente sobre os arquivos Parquet no S3 — não há download de dados. O DuckDB lê os arquivos remotos sob demanda via httpfs. Precisa da credencial da .env - peça!

---

Ask: linguagem natural → SQL

Interface TUI que permite fazer perguntas em português e obter SQL automaticamente.

Arquitetura

Pergunta → [schema filtrado] → LLM local (sqlcoder) ou API externa
         → SQL

1. Schema filtrado: As tabelas relevantes são filtradas e enviadas ao LLM
2. Geração SQL: Modelo local (sqlcoder via Ollama) ou API externa (Gemini/OpenRouter)

No browser

Acesse https://ask.ミ.xyz → autentique → digite sua pergunta em português.

Local

# Compilar
cd ask
cargo build --release

# Modo interativo (TUI)
./target/release/ask

# Modo CLI
./target/release/ask "Quantos municípios tem SP?"

Variáveis de ambiente

Variável	Padrão	Descrição
SQL_GENERATOR	gemini	Generator: sqlcoder, gemini, ou openrouter
GEMINI_API_KEY	—	Chave API Gemini (obrigatória se usar gemini)
OPENROUTER_API_KEY	—	Chave API OpenRouter (obrigatória se usar openrouter)
GEMINI_MODEL	gemini-flash-lash	Modelo Gemini
OPENROUTER_MODEL	openai/gpt-4o-mini	Modelo OpenRouter
OLLAMA_MODEL	sqlcoder	Modelo Ollama (sqlcoder ou sqlcoder:14b)
OLLAMA_HOST	http://localhost:11434	Host Ollama
TOP_K_TABLES	5	Número de tabelas a selecionar
SCHEMA_FILE	context/schema_compact_inline.txt	Schema texto para fallback
SCHEMA_JSON	context/basedosdados-schema.json	Schema JSON completo
DB_FILE	data/basedosdados.duckdb	Arquivo DuckDB

---

Pipeline de exportação

Seção para mantenedores — não necessário para consulta dos dados.

Fluxo

BigQuery (basedosdados) → GCS (Parquet + zstd) → Hetzner Object Storage (rclone)

1. Descobre automaticamente todos os datasets e tabelas via API do BigQuery
2. Exporta em paralelo no formato Parquet com compressão zstd
3. Transfere GCS → Hetzner Object Storage via rclone (streaming direto, sem disco local)
4. Verifica contagem de arquivos entre GCS e S3

Resume automático: se interrompido, basta rodar novamente.

Scripts

Script	Função
scripts/roda.sh	Pipeline principal de exportação
scripts/prepara_db.py	Gera data/basedosdados.duckdb com views para todas as tabelas

Configuração (.env)

Variável	Descrição
YOUR_PROJECT	ID do projeto GCP (para faturamento)
BUCKET_NAME	Nome do bucket GCS intermediário
BUCKET_REGION	Região do bucket S3 (ex: eu-central)
SOURCE_PROJECT	Projeto fonte (basedosdados)
PARALLEL_EXPORTS	Jobs paralelos de exportação BigQuery (padrão: 8)
HETZNER_S3_BUCKET	Nome do bucket no Hetzner Object Storage
HETZNER_S3_ENDPOINT	Endpoint do Hetzner (ex: https://hel1.your-objectstorage.com)
S3_CONCURRENCY	Transfers paralelos do rclone (padrão: 64)
PARALLEL_UPLOADS	Datasets enviados em paralelo (padrão: 4)
AWS_ACCESS_KEY_ID	Access key do Hetzner Object Storage
AWS_SECRET_ACCESS_KEY	Secret key do Hetzner Object Storage
BASIC_AUTH_PASSWORD	Senha do shell web e endpoint /query
GEMINI_API_KEY	Chave da API Gemini para o ask

Executando

chmod +x scripts/roda.sh
./scripts/roda.sh --dry-run    # estima tamanho e custo
./scripts/roda.sh              # execução local
./scripts/roda.sh --gcloud-run # cria VM no GCP, roda lá e deleta ao final

Autenticação GCP necessária antes da primeira exportação:

gcloud auth login
gcloud auth application-default login
gcloud config set project SEU_PROJECT_ID

--gcloud-run

Cria uma VM e2-standard-4 Debian 12 em us-central1-a, copia o script e o .env, instala dependências e executa via SSH.

Variável	Padrão	Descrição
GCP_VM_NAME	bd-export-vm	Nome da instância
GCP_VM_ZONE	us-central1-a	Zona do Compute Engine

Deploy do servidor para serviços de db e ask

haloy deploy -f haloy.yml