Conectar Superset a una base de datos¶

Ejercicio superset-first-connection-annex.pdf · PDF

La primera vez que juegas a un juego en línea, te pregunta cosas antes de dejarte entrar. ¿Qué servidor? ¿Qué mundo? ¿Tu cuenta? ¿Tu contraseña? Si te equivocas en una, te quedas en el vestíbulo mirando un mensaje de error.

Una base de datos hace exactamente lo mismo. En la última página viste que, de los seis tipos de fuente de datos, la base de datos relacional es la que más pide antes de abrirse. Hoy aprendes qué pide, por qué y cómo leer el error cuando la puerta sigue cerrada.

Después cruzas esa puerta: metes un conjunto de datos real en la base de datos y le haces tu primera pregunta.

Superset no guarda tus datos¶

Empieza por la imagen, porque todo lo demás cuelga de ella.

flowchart LR
    B["<b>Tu navegador</b><br>lo que ves y pulsas"] -- "página web" --> S["<b>Superset</b><br>(el cliente del juego)<br>conecta, pregunta, dibuja"]
    S -- "SQL, a través<br>del driver" --> D[("<b>PostgreSQL</b><br>(el servidor del juego)<br>donde viven las filas")]
    D -- "filas" --> S

Aquí hay tres jugadores, y son tres programas distintos:

Un servidor de base de datos es un programa que guarda datos en tablas y responde preguntas sobre ellas a cualquier programa que se conecte con los datos correctos. PostgreSQL es el que usamos.

Una conexión es el conjunto de datos que necesita un programa para llegar a un servidor de base de datos y que lo dejen entrar.

Superset es un cliente. Un cliente de juego sin servidor al que unirse te enseña un menú bonito y nada más. Por eso la primera tarea en Superset es siempre la misma: decirle dónde está el servidor.

Cinco cosas y un traductor¶

Toda conexión a una base de datos, en cualquier herramienta que uses, pide las mismas cinco cosas. Apréndelas una vez.

Tres de esas palabras son nuevas:

• El host es el nombre o la dirección de red de la máquina donde funciona el servidor de la base de datos.
• Un puerto es una puerta numerada de una máquina. Una máquina puede ejecutar muchos programas que escuchan a la red, y cada uno espera tras su propio número. La puerta habitual de PostgreSQL es la 5432. La página web de Superset usa otra, la 8088: no las confundas.
• Un servidor de base de datos puede contener varias bases de datos separadas, como un servidor de juego que aloja varios mundos. Tienes que decir cuál quieres.

Y luego hay una sexta cosa que ningún formulario te pide escribir:

Un driver es un pequeño programa que permite a un programa hablar con un tipo concreto de base de datos.

Superset habla SQL. Pero PostgreSQL, MySQL y las demás esperan que ese SQL llegue por la red a su manera. El driver es el traductor. El driver de Superset para PostgreSQL se llama psycopg2; para MySQL necesitaría otro distinto.

Las cinco en una línea: la cadena de conexión¶

Escribir cinco casillas es una manera de dar los datos. La otra es una línea de texto.

Una cadena de conexión es una sola línea que contiene todos los datos de una conexión, en un orden fijo.

Para PostgreSQL en Superset tiene este patrón:

postgresql://USER:PASSWORD@HOST:PORT/DATABASE

Con valores inventados, para que veas dónde va cada parte:

postgresql://your_user:your_password@db.example.com:5432/shop

Lee la puntuación y podrás descifrar cualquier cadena de conexión: :// después del tipo de base de datos, : entre usuario y contraseña, @ antes del host, : antes del puerto, / antes de la base de datos.

Dónde se pone en Superset¶

En Superset, una conexión se crea una sola vez y luego todos los que usan ese Superset trabajan a través de ella. En tu VM de clase ya existe, con el nombre Dades classe. Así se crea una, para que sepas qué estás mirando.

El paso 5 no es uno de los cinco ajustes. Es un permiso: un interruptor del lado de Superset que decide qué puede hacer la gente a través de esta conexión. Sin él, nadie puede cargar un archivo en esa base de datos desde Superset.

Así que la lista completa para "configurar el acceso" es: host, puerto, base de datos, usuario, contraseña, driver y permisos.

Leer el error¶

Las conexiones fallan. Es normal, y el mensaje de error no es ruido: te dice hasta dónde llegaste.

¿Qué es mejor noticia: connection refused o contraseña incorrecta? Contraseña incorrecta. Significa que el host y el puerto eran correctos y que un servidor respondió. Estás a un error de tecleo. Connection refused significa que ni siquiera has encontrado todavía el servidor.

Cargar un CSV en la base de datos¶

En la última página descargaste pokemon_df.csv. Un archivo en tu disco es botín en tu mochila. Para consultarlo con SQL, tiene que convertirse en una tabla de la base de datos.

Superset puede hacerlo por ti: lee el archivo y crea la tabla en PostgreSQL, a través de la conexión.

Dos palabras nuevas:

• Un esquema (schema) es una carpeta de tablas dentro de una base de datos. public es el que PostgreSQL te da desde el principio.
• Un dataset es el nombre que da Superset a "algo con lo que puedo construir gráficos". Aquí es una etiqueta que apunta a tu nueva tabla. Conocerás bien los datasets en Datasets y destino.

El paso 6 es donde la página anterior da sus frutos. Si tu archivo usa ; entre valores y el formulario sigue diciendo ,, la subida "funciona" y obtienes una tabla con una sola columna muy ancha. Y si los números usan coma decimal, pon también File settings → Decimal character en ,.

Una cosa que hace la subida en silencio: en nuestro archivo, un valor ausente se escribe con las dos letras NA. Superset carga esas celdas como NULL, la forma que tiene la base de datos de decir "aquí no hay valor". Charmander solo tiene un tipo, así que su type_2 es NULL. Ese es tu primer contacto con los valores ausentes, el gran tema de UT2.

Primeras preguntas en SQL Lab¶

SQL (Structured Query Language, lenguaje de consulta estructurado) es el lenguaje para hacer preguntas a una base de datos relacional. Una pregunta se llama consulta.

SQL Lab es la página de Superset donde escribes una consulta, la ejecutas y ves la respuesta como una tabla.

Abre SQL → SQL Lab. A la izquierda elige la base de datos Dades classe y el esquema public. Luego haz tres preguntas, una por una, pulsando Run después de cada una.

¿Cuántas filas hay?

SELECT COUNT(*) FROM pokemon;

SELECT significa "muéstrame", FROM pokemon dice qué tabla y COUNT(*) cuenta filas. 949 Pokémon: el mismo número que contaste en el editor de texto. El archivo entero llegó.

¿Qué aspecto tienen las filas?

SELECT * FROM pokemon LIMIT 10;

El * significa "todas las columnas" y LIMIT 10 significa "para después de diez filas". Obtienes 10 filas y 22 columnas. Estas son las primeras cuatro filas y algunas de las columnas:

Ejecuta siempre esta en una tabla que no hayas visto nunca. Cuesta un segundo y te muestra los nombres de las columnas, el tipo de valor de cada una y sorpresas como ese NULL.

¿Qué tipo golpea más fuerte?

SELECT type_1, COUNT(*) AS n, ROUND(AVG(attack)) AS avg_attack
FROM pokemon
GROUP BY type_1
ORDER BY avg_attack DESC;

La respuesta tiene 18 filas, una por tipo. Las cinco primeras:

Léela como una frase: para cada tipo principal, cuenta los Pokémon y haz la media de su ataque, luego ordena de la media más alta hacia abajo. Los tipos dragón golpean más fuerte, con un ataque medio de 109. El tipo más común, water, tiene 126 Pokémon, pero está muy abajo en la lista con una media de 75.

No te preocupes si esa tercera consulta parece mucho. GROUP BY es la única idea realmente nueva que contiene y tiene su propia página: SQL Lab: grupos.

Fíjate en lo que acaba de pasar. En el juego de crafteo, esto fue toda la etapa 1: encontraste el botín (un CSV en una web), te lo llevaste a casa (la subida) y lo guardaste donde puedes trabajar con él (una tabla). Y hiciste una pregunta que un editor de texto nunca podría responder.

Pruébalo: tu primera conexión¶

En tu VM de clase, con Superset abierto en el navegador:

Si descargaste tu propio conjunto de datos en la búsqueda de datos abiertos, súbelo también, con su propio nombre de tabla, y adapta la tercera consulta a la pregunta que escribiste en tu ficha.

Ideas clave¶

• Superset es un cliente: conecta, pregunta y dibuja. Tus filas viven en el servidor de base de datos (PostgreSQL), no en Superset.
• Una conexión necesita cinco cosas: host, puerto, base de datos, usuario y contraseña. El puerto habitual de PostgreSQL es el 5432.
• El driver es el traductor entre una herramienta y un tipo de base de datos. Sin driver no hay conexión, ni siquiera con la contraseña correcta.
• Una cadena de conexión empaqueta todo en una línea, contraseña incluida. Trátala como un secreto.
• Los mensajes de error dicen hasta dónde llegaste: connection refused apunta al host o al puerto; contraseña incorrecta significa que ya llegaste al servidor.
• localhost significa "la máquina donde se ejecuta este programa". Para Superset, es su propio servidor, no tu ordenador.
• Subir un CSV crea una tabla real en la base de datos. Comprueba el esquema y el delimitador en el formulario. Luego hazle preguntas en SQL Lab.

Comprobación rápida¶

La puerta está abierta y la tabla está dentro. Hasta ahora lo pedías todo; a continuación aprendes a pedir exactamente las filas que necesitas: SQL Lab: filtros.