144 lines
4.2 KiB
Markdown
144 lines
4.2 KiB
Markdown
# baseldosdados
|
|
|
|
Mirror completo das tabelas públicas do projeto [Base dos Dados](https://basedosdados.org/) — 533 tabelas, ~675 GB em Parquet+zstd — hospedado no Hetzner Object Storage e acessível via DuckDB no browser.
|
|
|
|
## Scripts
|
|
|
|
| Script | Função |
|
|
|---|---|
|
|
| `roda.sh` | Exporta BigQuery → GCS → Hetzner S3 (pipeline principal) |
|
|
| `prepara_db.py` | Cria `basedosdados.duckdb` com views sobre os parquets do S3 |
|
|
|
|
## Fluxo de exportação
|
|
|
|
```
|
|
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 a contagem de arquivos entre GCS e S3
|
|
|
|
Resume automático: se interrompido, basta rodar novamente — tabelas e transfers já concluídos são pulados.
|
|
|
|
## Estrutura dos dados no S3
|
|
|
|
```
|
|
s3://<HETZNER_S3_BUCKET>/
|
|
└── <dataset>/
|
|
└── <tabela>/
|
|
└── *.parquet
|
|
```
|
|
|
|
## Configuração
|
|
|
|
Crie um arquivo `.env`:
|
|
|
|
| Variável | Descrição |
|
|
|---|---|
|
|
| `YOUR_PROJECT` | ID do seu 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 de acesso ao shell web e endpoint `/query` |
|
|
|
|
## Uso — exportação
|
|
|
|
```bash
|
|
chmod +x roda.sh
|
|
./roda.sh --dry-run # estima tamanho e custo
|
|
./roda.sh # execução local
|
|
./roda.sh --gcloud-run # cria VM no GCP, roda lá e deleta ao final
|
|
```
|
|
|
|
Autenticação GCP necessária antes da primeira exportação:
|
|
|
|
```bash
|
|
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 |
|
|
|
|
## Uso — exploração local
|
|
|
|
```bash
|
|
python prepara_db.py # cria basedosdados.duckdb com views para todas as tabelas
|
|
duckdb basedosdados.duckdb
|
|
```
|
|
|
|
## Acesso remoto — https://db.xn--2dk.xyz
|
|
|
|
Container Docker (Caddy + ttyd) com shell DuckDB acessível via browser ou curl, protegido por senha.
|
|
|
|
### Shell no browser
|
|
|
|
Acesse https://db.xn--2dk.xyz → autentique com a senha → shell DuckDB interativo direto no browser.
|
|
|
|
### SQL via curl
|
|
|
|
Endpoint `POST /query` — aceita SQL no body, retorna output como texto plano.
|
|
Autenticação via header `X-Password`.
|
|
|
|
```bash
|
|
# 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
|
|
curl -s -X POST https://db.xn--2dk.xyz/query \
|
|
-H "X-Password: <senha>" \
|
|
--data-binary @query.sql > resultado.csv
|
|
```
|
|
|
|
O DuckDB suporta saída em CSV e JSON nativamente:
|
|
|
|
```sql
|
|
-- CSV com header
|
|
COPY (SELECT * FROM br_ibge_censo2022.municipios LIMIT 100)
|
|
TO '/dev/stdout' (FORMAT csv, HEADER true);
|
|
|
|
-- JSON
|
|
SELECT * FROM br_ibge_censo2022.municipios LIMIT 10
|
|
FORMAT JSON;
|
|
```
|
|
|
|
### Deploy
|
|
|
|
```bash
|
|
haloy deploy
|
|
```
|