cwprep - Motor de Texto a PrepFlow

cwprep es un motor basado en Python que permite la generación de Texto a PrepFlow.

Al realizar ingeniería inversa de la estructura JSON de .tfl y proporcionar un servidor MCP (Model Context Protocol) integrado, cwprep actúa como un puente entre los LLM (como Claude, Gemini) y Tableau Prep. ¡Ahora puedes generar, modificar y construir flujos de limpieza de datos simplemente a través de conversaciones en lenguaje natural o scripts de Python, sin abrir nunca la interfaz gráfica!

Autor: Cooper Wenhua imgwho@gmail.com

Instalación

pip install cwprep

Related MCP server: cwtwb

Inicio rápido

from cwprep import TFLBuilder, TFLPackager

# Create builder
builder = TFLBuilder(flow_name="My Flow")

# Add database connection
conn_id = builder.add_connection(
    host="localhost",
    username="root",
    dbname="mydb"
)

# Add input tables
orders = builder.add_input_table("orders", "orders", conn_id)
customers = builder.add_input_table("customers", "customers", conn_id)

# Join tables
joined = builder.add_join(
    name="Orders + Customers",
    left_id=orders,
    right_id=customers,
    left_col="customer_id",
    right_col="customer_id",
    join_type="left"
)

# Add output
builder.add_output_server("Output", joined, "My_Datasource")

# Build and save
flow, display, meta = builder.build()
TFLPackager.save_tfl("./my_flow.tfl", flow, display, meta)

De forma predeterminada, tanto el SDK como el MCP solo generan el archivo .tfl/.tflx final. Utiliza save_to_folder() solo cuando desees explícitamente la carpeta descomprimida para su inspección.

Características

Ejemplos

Consulta el directorio examples/ para ver demostraciones completas:

• demo_basic.py - Entrada, Unión, Salida

• demo_cleaning.py - Filtro, Cálculo, Renombrar

• demo_field_operations.py - Cálculo rápido, Cambiar tipo, Duplicar columna

• demo_aggregation.py - Unión, Agregación, Pivotar

• demo_comprehensive.py - Todas las características combinadas

• prompts.md - 8 plantillas de prompts MCP listas para usar para la generación de flujos impulsada por IA

Servidor MCP

cwprep incluye un servidor Model Context Protocol integrado, que permite a los clientes de IA (Claude Desktop, Cursor, Gemini CLI, etc.) generar archivos TFL directamente.

Requisitos previos

Inicio rápido

# Local (stdio)
cwprep-mcp

# Remote (Streamable HTTP)
cwprep-mcp --transport streamable-http --port 8000

[!TIP] ¿Actualizando? Si utilizaste uvx anteriormente con una versión antigua, limpia la caché para obtener la última versión:

uv cache clean cwprep

Configuración del cliente

Todos los clientes a continuación utilizan el método uvx (recomendado). Reemplaza uvx con cwprep-mcp si prefieres una instalación local con pip.

Edita el archivo de configuración:

• Windows: %APPDATA%\Claude\claude_desktop_config.json

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "cwprep": {
      "command": "uvx",
      "args": ["--from", "cwprep", "cwprep-mcp"]
    }
  }
}

Configuración → MCP → Añadir nuevo servidor MCP, o edita ~/.cursor/mcp.json:

{
  "mcpServers": {
    "cwprep": {
      "command": "uvx",
      "args": ["--from", "cwprep", "cwprep-mcp"]
    }
  }
}

Crea .vscode/mcp.json en la raíz del proyecto:

{
  "servers": {
    "cwprep": {
      "command": "uvx",
      "args": ["--from", "cwprep", "cwprep-mcp"]
    }
  }
}

Edita ~/.codeium/windsurf/mcp_config.json:

{
  "mcpServers": {
    "cwprep": {
      "command": "uvx",
      "args": ["--from", "cwprep", "cwprep-mcp"]
    }
  }
}

claude mcp add cwprep -- uvx --from "cwprep" cwprep-mcp

Edita ~/.gemini/settings.json:

{
  "mcpServers": {
    "cwprep": {
      "command": "uvx",
      "args": ["--from", "cwprep", "cwprep-mcp"]
    }
  }
}

Edita ~/.continue/config.yaml:

mcpServers:
  - name: cwprep
    command: uvx
    args:
      - --from
      - cwprep
      - cwprep-mcp

Inicia el servidor:

cwprep-mcp --transport streamable-http --port 8000

Luego configura tu cliente con el endpoint: http://your-server-ip:8000/mcp

Capacidades MCP disponibles

Soporte de habilidades de IA

Este proyecto incluye una habilidad de IA especializada para asistentes como Claude o Gemini para ayudarte a construir flujos.

• Ubicación: .agents/skills/tfl-generator/

• Características: Índice del servidor MCP con guía de uso del SDK de respaldo. Las referencias detalladas de API y sintaxis se sirven a través de recursos MCP desde src/cwprep/references/.

Estructura del directorio

cwprep/
├── .agents/skills/      # AI Agent skills (MCP index)
├── src/cwprep/          # SDK source code
│   ├── builder.py       # TFLBuilder class
│   ├── packager.py      # TFLPackager class
│   ├── translator.py    # SQLTranslator class
│   ├── expression_translator.py  # ExpressionTranslator class
│   ├── config.py        # Configuration utilities
│   ├── mcp_server.py    # MCP Server (Tools, Resources, Prompts)
│   └── references/      # MCP Resource documents (.md)
├── examples/            # Demo scripts
├── docs/                # Documentation
└── tests/               # Unit tests

Configuración

Crea config.yaml para la configuración predeterminada:

# MySQL (default)
database:
  host: localhost
  port: 3306
  dbname: mydb
  type: mysql

# SQL Server (Windows Authentication)
# database:
#   host: localhost
#   type: sqlserver
#   authentication: sspi
#   schema: dbo

# PostgreSQL
# database:
#   host: localhost
#   port: 5432
#   dbname: mydb
#   type: postgres

tableau_server:
  url: http://your-server
  default_project: Default

Registro de cambios

Consulta changelog.md para ver el historial de versiones.

Licencia

Licencia AGPL-3.0