#python power bi

Primero que nada un poco de teoría. Existen escenarios web los cuales requeiren de Gateway para su tratamiento. Aun si estamos en power query online (dataflows) necesitaremos uno. Hay tres funciones cláscias que son de interés y funcionan distinto. WebContent, WebPages y WebContentBrowser. Si quieren conocer la diferencia y entender cual pide gateway y cual no, pueden leer la siguiente doc: https://learn.microsoft.com/en-us/power-query/connectors/web/web-troubleshoot

Me gustaría comenzar aclarando que no voy a hacer una introducción a Azure Functions. No voy a explicar que es, cómo funciona y cómo setear el entorno. Para eso ya hay excelentes videos en internet o podemos leer más en la siguiente doc de microsoft:

https://learn.microsoft.com/es-es/azure/azure-functions/create-first-function-vs-code-python?pivots=python-mode-configuration

Para este post necesitamos conocimientos previos en Python básico y Visual Studio Code. Asumiendo que ya tenemos el entorno seteado con las extensiones de Visual Studio code, vamos a comenzar con un ejemplo sencillo conectando a una API. Ya logueados en el apartado de Azure y con visibilidad a nuestra suscripción, vamos a crear una Function App. Podemos pensarlo como el servidor de procesamiento de muchas Azure Functions. En ese espacio podemos tener muchas functions, pensemos a cada una como un request.

Al momento de crearla tenemos 4 pasos

Ese nombre será participe de la URL de la API que estamos generando. 

Ahora podremos crear la función. Se almacenará en la carpeta que tengamos apuntando el Visual Studio Code. Clickeamos el rayito para crear una función dentro de la Function App

La aplicación creada se verá así:

Lo que necesitamos saber es que tenemos una función main donde se ejecutará el código principal. Luego depende si llamamos a la función con get o post si podemos capturar items de parametros de url o body. Eso nos ayudaría a incrementar la seguridad puesto que sin los parametros correctos o autenticación no podríamos obtener la respuesta. A modo de ejemplo vamos a hacer una simple lógica para que la url retorne el resultado cada vez que sea llamada sin necesidad de nada más puesto que considero que no es sensible la data del nombre de los workspaces en mi tenant de demo.

Veamos que simple es escribir código dentro de main devolviendo un dict o json en el return bajo el status_code deseado. Podemos aprovecharnos de los mensajes para ser claros en fallas para recibirlas en Power Bi. 

Código de la imagen en mi Github.

Usando SimplePBI para obtener grupos, pueden ver que simplemente generamos token, creamos objeto de grupo (workspaces) y llamamos a los workspaces que nuestro Service Principal puede ver.

Luego agregue al return una aclaración adicional para cuando lo que queremos devolver no es un “texto” literal sino un dict o json que es el “mimetype”.

NOTA: Si no sabes que es SimplePBI podes pasar por aqui.

IMPORTANTE: aclaro que tenemos un secret expuesto en este código, lo mejor para una azure function así sería usar un Azure KeyVault a nuestras contraseñas y secretos para que no queden expuestos.

Si vamos a usar una librería importada tendremos que buscar el archivo requirements.txt en el panel de recursos y agregarla. Yo lo hice para SimplePBI.

Si necesitamos utilizar pandas para tomar datos de un origen estructurado, podemos utilizar “ DataFrame.to_dict(orient="records") ” en el json.dumps del return para convertir nuestro frame al formato de mimetype json.

Get data

Mucho sobre python y funciones, vamos a PowerBi Desktop a conectarnos. Usaremos el conector web para traer la información con credenciales anónimas.

Dependiendo como orientamos nuestro json devuelto en la API que nos generamos en Azure Functions vamos a tener que efectuar transformaciones en power query. En este caso la devuelta por SimplePBI es muy uniforme y el motor practicamente lo resuelve solo.

Veamos como queda:

Ahora tenemos nuestra data cargada en Power Bi usando python sin necesidad de un gateway personal. Ya podemos publicar nuestro informe al servicio de power bi y configurar las credenciales como anónimas.

ACLARACIÓN: las Azure Functions tiene un límte de uso (timeout) en 5 minutos. Nuestra ejecución no puede durar más de eso o fallaría y nuestro propósito quedaría perdido.

Conclusión

En este artículo vamos a ver el simple uso de la librería para poder nutrirnos de ella. Para aquellos que ya estén familiarizados con Python podría resultar más sencillo.

Primero que nada necesitamos instalar el paquete. El mismo está publicado en pypi para su sencilla instalación: https://pypi.org/project/SimplePBI/  Recordemos que las librerías en este sitio pueden ser instaladas con el comando:

> pip install simplepbi 

La librería esta compuesta en varias clases. La idea es que cada clase corresponda a una categoría de API de Power Bi. 

Poco a poco el desarrollo irá incluyendo más y más hasta incluir a todas. Podremos ver en el sitio que pase antes, o en el source dentro de ese sitio, aquellas categorías que ya fueron desarrolladas para estar al tanto de lo que la librería puede hacer estos días.

Junto con ellas existen una clase más llamada Token que nos ayudará con la autenticación de la API. También hay un set de métodos bajo Utils para transformaciones comunes para moldear respuestas de la API, como llevar el dict a otro formato.

A pesar de estar utilizando una librería, esto no nos quita ciertas configuraciones y toma de datos para poder utilizarla. Con esto me refiero a que para usar la API de Power Bi necesitamos registrar una app en el portal de azure con los permisos deseados. Dependerá de los permisos asignados el funcionamiento de los métodos en la librería.

El artículo no esta enfocado en mostrar la configuración del registro de la app, lo podemos encontrar en google, pero si dejaremos este enlace a la documentación y comunidad:

https://docs.microsoft.com/en-us/power-bi/developer/embedded/register-app?tabs=customers%2CAzure

https://carldesouza.com/how-to-register-an-azure-app-to-use-with-power-bi/

Ya teniendo todo creado podremos usar la API. Veamos que valores necesitamos para conectarnos y pedir un token. Lo primero importar la clase de la librería para crear un objeto token.

from simplepbi import token

Para construirlo necesitamos los clásicos valores de la autenticación de Azure

tenant_id (lo puede pedir al administrador de IT o tomarlo del recurso Subscripción en el portal de azure)

app_client_id (app_id o client_id se obtiene de la aplicación registrada. Si vamos a utilizar Service Principal sería buena idea agregarla a las areas de trabajo en las cuales queremos interactuar)

username (cuenta de correo profesional de Azure AD)

password (password)

app_secret_key (secret key generado para el client id)

use_service_principal (True para utilizar la autentiación de Service Principal permitiendo no completar usuario y contraseña. False para seguir con la credenciales)

tok = token.Token(tenant_id, app_client_id, username, password, None, use_service_principal=False)

La clase token cuenta con un atributo Token que nos ayudará a obtener una gigantezca cadena de texto que sería quien ayude a crear los objetos de categoría de API para colocarlo al crearlos y luego solamente usarlos.

from simplepbi import admin ad = admin.Admin(tok.token)

De este modo creamos un objeto de una categoría, en este caso admin, para poder utilizar todos los requests de admin con el objeto “ad” sin necesidad de ninguna otra configuración posterior.

Cabe destacar que para utilizar la categoría admin necesitamos usar una cuenta administradora de Power Bi o nuestro tenant en Service debe tener permitido el uso de Service Principal para API en la configuración de inquilinos del portal de administración. Más información: https://docs.microsoft.com/en-us/power-bi/admin/read-only-apis-service-principal-authentication

El resto es muy sencillo simplemente usar el objeto y llamar los requests como:

All_Datasets = ad.get_datasets()

Así creariamos una variable con un diccionario de python que contiene todos los datasets.

La librería cuenta con una sección de documentación en github que nos ayudaría a realizar requests complejos como la toma de actividades o la scanner api. Además de las pequeñas incorporaciones de Utils como el caso de to_pandas() que nos ayudaría a transformar ese resultado de datasets en un DataFrame de la siguiente manera:

from simplepbi import utils utils.to_pandas(All_Datasets, "value")

Así llegamos a presentar este pequeño proyecto sin fines de lucro de parte de unos pocos con ganas de contribuir a la comunidad. Seguramente irá mejorando en el tiempo los errores a medida que sean informados o encontrados. Recuerden chequear el github para conocer que categorías fueron agregadas a la librería para su posterior uso.