KO | EN

GitLite

Minimalist Open Source Repository Search Engine

gitlite — search

#dsh #dsh-plugin #typescript #developer-tools #claude-code #ai-agent #codex #deepseek-harness #ai-agents #cli #react #mcp

pipeline-investimentos-alpha-vantage

★ 5 Open GitHub ↗

Pipeline de ingestão e processamento de dados financeiros via API Alpha Vantage, usando Python, PySpark e Databricks.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Crypto Lakehouse Pipeline com Databricks (Free Edition)

![Status](https://img.shields.io/badge/Status-Finalizado-success)
![GitHub last commit](https://img.shields.io/github/last-commit/GabsPerry/pipeline-investimentos-alpha-vantage)
![License](https://img.shields.io/badge/License-MIT-green)
![Python](https://img.shields.io/badge/Python-3.11-blue?logo=python)
![PySpark](https://img.shields.io/badge/PySpark-Data%20Processing-orange?logo=apachespark)
![Databricks](https://img.shields.io/badge/Databricks-Lakehouse-red?logo=databricks)
![Delta Lake](https://img.shields.io/badge/Delta%20Lake-Storage-0A66C2)
![SQL](https://img.shields.io/badge/SQL-Analytics-lightgrey?logo=postgresql)

Pipeline end-to-end de Engenharia de Dados para ingestão, transformação, qualidade e análise de dados de criptomoedas utilizando **Python, PySpark, Delta Lake e Databricks**.

Este projeto implementa uma arquitetura **Lakehouse**, seguindo a arquitetura **medalhão** (**Bronze / Silver / Gold**) consumindo dados da API da **Alpha Vantage**, salvando arquivos JSON no **Databricks Volume**, processando tudo em **PySpark**, gerando métricas analíticas e exibindo os resultados em um **dashboard no Databricks**.

---

## Objetivo do projeto

Construir um pipeline end-to-end de dados para praticar conceitos de Engenharia de Dados dentro do Databricks, incluindo:

- Ingestão de dados via API
- Armazenamento em data lake
- Modelagem em camadas
- Transformações em PySpark
- Data Quality Checks
- Logging estruturado
- Dashboard analítico
- Orquestração via Job ETL

---

## Arquitetura do projeto

---

## Tecnologias utilizadas

- Python
- PySpark
- Spark SQL
- Databricks
- Delta Lake
- REST API
- JSON
- Databricks Volumes
- Databricks Jobs
- Databricks SQL Dashboard
- Git / GitHub

---

## Estrutura do projeto

```
crypto-lakehouse-pipeline/
│
├── src/
│   ├── ingestion/
│   │   ├── config.py   #secrets (privado)
│   │   └── ingest_crypto.py
│   │
│   ├── transformations/
│   │   ├── bronze.py
│   │   └── silver.py
│   │   └── gold.py
│   │
│   ├── data_quality/
│   │   ├── silver_checks.py
│   │   └── gold_checks.py
│   │
│   └── utils/
│       └── logger.py
│
├── .gitignore
├── LICENSE
└── README.md
```

---

## Fluxo da pipeline

### 1. Ingestão
Consumo da API Alpha Vantage

Extração diária de múltiplas criptomoedas:
- BTC
- ETH
- SOL
- ADA
- XRP
- BNB
- DOT
- DOGE
- TRX
- LTC

Salvamento dos dados em formato JSON no Databricks Volume

### 2. Bronze Layer

Persistência dos dados brutos em tabela Delta.

### 3. Silver Layer

Aplicação de transformações, padronizações, deduplicação e validações de qualidade.

### 4. Gold Layer

Criação de métricas analíticas para consumo no dashboard.

### 5. Dashboard

Visualizações construídas diretamente no Databricks SQL para análise dos indicadores.

Análises como:
- Ranking por preço
- Variação diária
- Spread percentual
- Comparação financeira das criptomoedas

### 6. Orquestração e Automação

O pipeline é executado automaticamente por meio de um **Job do Databricks**, simulando um fluxo mais próximo de um ambiente de produção real de engenharia de dados.

Durante a execução, o job percorre todas as etapas do pipeline:
- Ingestão
- Bronze
- Silver
- Gold
- Atualização do Dashboard

Quando a execução termina com sucesso:
- A camada **Gold** é atualizada  
- O **Dashboard do Databricks** é atualizado automaticamente  
- Um e-mail é enviado confirmando que o pipeline rodou corretamente

Dessa forma adicionado uma camada de automação e feedback operacional ao projeto, tornando o fluxo mais próximo de um pipeline de produção real.

---

## Arquitetura Medalhão

Para organizar melhor o fluxo dos dados, este projeto segue a arquitetura **Medalhão**, dividindo o pipeline em três camadas principais: **Bronze, Silver e Gold**.

Essa separação ajuda a manter os dados mais organizados, facilita o tratamento das informações e deixa o processo mais confiável ao longo das etapas.

### Bronze

Aqui ficam os **dados brutos** vindos diretamente da API, praticamente da forma como foram coletados.

Essa camada é importante para manter o histórico original dos dados e servir como base para as próximas transformações.

### Silver

Nesta etapa, os dados passam por **tratamentos e padronizações**.

É aqui que acontecem processos como:
- Ajuste para converter os tipos de dados
- Limpeza de colunas
- Remoção de duplicidades
- Aplicação de regras de qualidade

O objetivo dessa camada é garantir que os dados estejam **consistentes, confiáveis e bem estruturados**.

### Gold
Na camada Gold, os dados já estão **limpos e estruturados**, e passam a ser **transformados em métricas e indicadores analíticos**, prontos para serem consumidos em análises, métricas e dashboards.

É a camada mais próxima da visão de negócio, onde a informação já começa a fazer mais sentido para interpretação e tomada de decisão.

---

## Dicionários dos dados

Aqui vou descrever as principais colunas utilizadas ao longo das camadas Bronze, Silver e Gold do pipeline.

### Colunas Principais

| Coluna | Descrição |
|---|---|
| `crypto_code` | Código/símbolo da criptomoeda (ex: `BTC`, `ETH`, `SOL`). |
| `converted_code` | Moeda de conversão utilizada como referência (ex: `USD`). |
| `exchange_rate` | Valor de conversão de 1 unidade da criptomoeda para a moeda de destino no momento da coleta dos dados. |
| `bid_price` | Preço de compra do mercado, representando quanto o mercado está disposto a pagar pela criptomoeda. |
| `ask_price` | Preço de venda do mercado, representando quanto o mercado está cobrando pela criptomoeda. |
| `spread` | Diferença entre `ask_price` e `bid_price`, utilizada como indicador de liquidez e custo de transação. |
| `perc_change` | Variação percentual do preço da criptomoeda em relação ao valor de referência fornecido pela API. |
| `last_refreshed_date` | Data de referência da cotação retornada pela API. |
| `upload_date` | Data/hora em que o dado foi ingerido no Data Lake / Databricks. |

### Interpretação de Negócio

- **`exchange_rate`** é a principal métrica do dataset, representando o preço atual da criptomoeda.
- **`perc_change`** indica se o ativo valorizou ou desvalorizou em termos percentuais.
- **`spread`** representa a diferença entre preço de compra e venda, sendo um indicador importante de liquidez e custo de negociação.

---

## Data Quality Checks

Para aumentar a confiabilidade e simular um pipeline de dados mais próximo de um ambiente de produção, este projeto inclui validações de Data Quality tanto na camada Silver quanto na camada Gold.
O objetivo dessas verificações é garantir que os dados transformados permaneçam consistentes, válidos e confiáveis antes de serem consumidos pela camada analítica final.

### Como o Data Quality funciona

A lógica de Data Quality foi implementada por meio de funções de validação executadas durante o processo de transformação.
Essas verificações são acionadas automaticamente durante a execução das camadas Silver e Gold, antes que os dados finais sejam persistidos.

Se alguma validação falhar, o pipeline pode:
- Registrar o problema para fins de observabilidade
- Impedir que dados inválidos avancem para a próxima etapa
- Gerar um erro para interromper o job (dependendo da severidade da validação)

Isso ajuda a garantir que apenas dados limpos e prontos para análise cheguem à camada final consumida pelo dashboard.

### Exemplos atuais de validação

Validações da camada Silver: 
- Campos obrigatórios não podem ser nulos
- Valor da conversão (exchange_rate) não pode ser negativo
- Registros duplicados devem ser removidos
- Campos numéricos devem ser convertidos corretamente

Validações da camada Gold: 
- Métricas agregadas não podem ser nulas
- O dataset analítico final deve estar pronto para consumo no dashboard
- O spread não pode ser negativo, pois o preço de venda no mercado não deveria ser menor que o preço de compra

### Testes de falha e comportamento do pipeline

Para validar se as regras de Data Quality estavam funcionando corretamente, também foram realizados testes forçando erros de propósito nas camadas **Silver** e **Gold**.

A ideia desses testes foi simular cenários reais em que dados inválidos ou inconsistentes poderiam entrar no pipeline, garantindo que o processo reagisse da forma esperada.

Durante esses testes, o pipeline foi validado para:
- Identificar registros inválidos
- Interromper a execução quando necessário
- Registrar mensagens de erro nos logs
- Impedir que dados problemáticos avançassem para as próximas camadas
- Garantir que o dashboard só seja atualizado com dados válidos e prontos para análise

Exemplo da camada Silver:

Exemplo da camada Gold:

Esse tipo de validação ajuda a aumentar a confiabilidade do projeto e demonstra como o pipeline se comporta em cenários de falha.

---

## Logging

O projeto também conta com logging estruturado para rastrear a execução do pipeline.

Exemplos de eventos monitorados:
- Início e fim da ingestão
- Criptomoeda em processamento
- Arquivos salvos
- Início/fim das transformações Bronze / Silver / Gold
- Falhas de qualidade de dados
- Erros de API

---

## Visualização dos Dados

Como etapa final do pipeline, os dados tratados e agregados na camada **Gold** foram utilizados para construir um dashboard analítico diretamente no **Databricks SQL**.

A ideia dessa etapa foi transformar os dados processados em uma visualização simples e prática, permitindo analisar o comportamento das criptomoedas monitoradas ao longo do tempo.

Apesar do foco principal deste projeto estar na construção do pipeline de dados, optei por incluir também uma camada de visualização para representar de forma prática o valor final dos dados processados.

### Principais análises disponíveis no dashboard

- Ranking das criptomoedas por preço atual
- Variação diária percentual por ativo
- Spread absoluto e spread percentual
- Comparação entre preço relativo e spread de mercado
- Tabela analítica consolidada para consulta final

Nesta primeira visão, é possível acompanhar os principais indicadores analíticos do projeto, incluindo o ranking das criptomoedas por preço atual, a variação diária percentual e filtros para análise por período e por ativo.

Nesta segunda parte do dashboard, estão disponíveis visualizações relacionadas ao **spread percentual**, comparação entre **preço relativo e spread de mercado**, além de uma tabela analítica consolidada com as principais métricas calculadas na camada Gold.

Esse dashboard foi construído para ajudar a visualizar de forma mais intuitiva os dados processados ao longo do pipeline.

pipeline-investimentos-alpha-vantage

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README