baseldosdados

Mirror completo das tabelas públicas do projeto Base dos Dados — 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

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:

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

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.

# 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:

-- 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

haloy deploy