Integração AWS - Obter dados de tabelas Tulip
  • 27 May 2024
  • 2 Minutos para Ler
  • Contribuintes

Integração AWS - Obter dados de tabelas Tulip


Resumo do artigo

Simplifique a obtenção de dados do Tulip para o AWS para oportunidades mais amplas de análise e integração

Objetivo

Este guia explica passo a passo como buscar dados da Tulip Tables no AWS por meio de uma função Lambda.

A função lambda pode ser acionada por meio de uma variedade de recursos, como temporizadores do Event Bridge ou um API Gateway

Um exemplo de arquitetura está listado abaixo:

image

Realizar operações do AWS dentro de uma função lambda pode ser mais fácil, porque com o API Gateway e as funções Lambda, você não precisa autenticar bancos de dados com nome de usuário e senha no lado da Tulip; você pode confiar nos métodos de autenticação IAM dentro do AWS. Isso também simplifica a forma de aproveitar outros serviços do AWS, como Redshift, DynamoDB e outros.

Configuração

Este exemplo de integração requer o seguinte:

  • Uso da API Tulip Tables (obtenha a chave e o segredo da API nas configurações da conta)
  • Tabela Tulip (obtenha o ID exclusivo da tabela)

Etapas de alto nível: 1. Crie uma função AWS Lambda com o acionador relevante (API Gateway, Event Bridge Timer, etc.). 2. Busque os dados da tabela Tulip com o exemplo abaixo ```python import json import pandas as pd import numpy as np import requests

# OBSERVE que a camada do pandas do AWS precisará

# ser adicionada à função Lambda

def lambda_handler(event, context): auth_header = OBTAIN FROM API AUTH header = {'Authorization' : auth_header} base_url = 'https://[INSTANCE].tulip.co/api/v3' offset = 0 function = f'/tables/[TABLE_ID/records?limit=100&offset={offset}&includeTotalCount=false&filterAggregator=all' r = requests.get(base_url+function, headers=header) df = pd.DataFrame(r.json()) length = len(r.json()) while length > 0: offset += 100 function = f'/tables/[TABLE_ID/records?limit=100&offset{offset}&includeTotalCount=false&filterAggregator=all' r = requests.get(base_url+function, headers=cdm_header) length = len(r.json()) df_append = pd.DataFrame(r.json()) df = pd.concat([df, df_append], axis=0) df.shape # isso acrescenta 100 registros a um dataframe e pode ser usado para S3, Firehose etc. # use a variável data para gravar em S3, Firehose,

# bancos de dados e outros ```

  1. O acionador pode ser executado em um cronômetro ou acionado por meio de um URL
  2. Observe a camada do Pandas necessária na imagem abaixoimage.png
  3. Por fim, adicione as integrações necessárias. Você pode gravar os dados em um banco de dados, no S3 ou em um serviço de notificação a partir de funções lambda

Casos de uso e próximas etapas

Depois de finalizar a integração com o lambda, você pode analisar facilmente os dados com um notebook sagemaker, QuickSight ou várias outras ferramentas.

1. Previsão de defeitos- Identifique os defeitos de produção antes que eles ocorram e aumente o número de acertos na primeira vez - Identifique os principais fatores de qualidade da produção para implementar melhorias

2. Otimização do custo da qualidade- Identificar oportunidades para otimizar o design do produto sem afetar a satisfação do cliente

3.Otimização daenergia de produção- Identificar alavancas de produção para otimizar o consumo de energia

4. Previsão e otimização de entrega e planejamento- otimizar a programação da produção com base na demanda do cliente e na programação de pedidos em tempo real

5. Benchmarking global de máquinas/linhas- Faça o benchmarking de máquinas ou equipamentos semelhantes com normalização

6. Gerenciamento de desempenho digital global/regional- Dados consolidados para criar painéis de controle em tempo real


Este artigo foi útil?