Skip to main content
Glama
deenesjakoruzh
aidatacooper

cwprep-mcp

by aidatacooper
OverviewSchemaRelated ServersScoreDiscussions
Python
Hybrid

cwprep - Text-to-PrepFlow 引擎

cwprep 是一个基于 Python 的引擎，支持 Text-to-PrepFlow（文本转 Prep 流）生成。

通过对 .tfl JSON 结构进行逆向工程并提供内置的 MCP (Model Context Protocol) 服务器，cwprep 充当了 LLM（如 Claude、Gemini）与 Tableau Prep 之间的桥梁。现在，你无需打开 GUI，只需通过自然语言对话或 Python 脚本即可生成、修改和构建数据清洗流！

作者： Cooper Wenhua imgwho@gmail.com

安装

pip install cwprep

Related MCP server: cwtwb

快速开始

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)

默认情况下，SDK 和 MCP 都只输出最终的 .tfl/.tflx 归档文件。仅当你明确需要展开的文件夹以进行检查时，才使用 save_to_folder()。

功能特性

功能

方法

描述

数据库连接

add_connection()

连接到 MySQL/PostgreSQL/SQL Server

文件连接

add_file_connection()

连接到 Excel (.xlsx/.xls) 或 CSV 文件

SQL 输入

add_input_sql()

自定义 SQL 查询输入

表输入

add_input_table()

直接表连接

Excel 输入

add_input_excel()

从 Excel 工作表读取

CSV 输入

add_input_csv()

从 CSV 文件读取

CSV 合并

add_input_csv_union()

合并多个 CSV 文件

连接 (Join)

add_join()

左/右/内/全连接（单列或多列）

合并 (Union)

add_union()

合并多个表

筛选

add_filter()

基于表达式的筛选

值筛选

add_value_filter()

按值保留/排除

仅保留

add_keep_only()

选择列

删除列

add_remove_columns()

删除列

重命名

add_rename()

重命名列

计算

add_calculation()

Tableau 公式字段

快速计算

add_quick_calc()

快速清洗（小写/大写/修剪/移除）

更改类型

add_change_type()

更改列数据类型

复制列

add_duplicate_column()

复制列

聚合

add_aggregate()

带 SUM/AVG/COUNT 的 GROUP BY

行转列

add_pivot()

行转列

列转行

add_unpivot()

列转行

输出

add_output_server()

发布到 Tableau Server

TFLX 打包

build(is_packaged=True)

生成包含嵌入数据文件的 .tflx

SQL 转换

SQLTranslator

将 TFL 流转换为等效的 ANSI SQL

示例

查看 examples/ 目录获取完整演示：

  • demo_basic.py - 输入、连接、输出

  • demo_cleaning.py - 筛选、计算、重命名

  • demo_field_operations.py - 快速计算、更改类型、复制列

  • demo_aggregation.py - 合并、聚合、行转列

  • demo_comprehensive.py - 所有功能组合

  • prompts.md - 8 个即用型 MCP 提示词模板，用于 AI 驱动的流生成

MCP 服务器

cwprep 包含一个内置的 Model Context Protocol 服务器，使 AI 客户端（Claude Desktop、Cursor、Gemini CLI 等）能够直接生成 TFL 文件。

前置要求

方法

要求

uvx (推荐)

安装 uv — 它会在隔离环境中自动下载 cwprep

pip install

Python ≥ 3.8 + pip install cwprep

快速开始

# Local (stdio)
cwprep-mcp

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

[!TIP] 升级？ 如果你之前使用过旧版本的 uvx，请清除缓存以获取最新版本：

uv cache clean cwprep

客户端配置

以下所有客户端均使用 uvx 方法（推荐）。如果你更喜欢本地 pip install，请将 uvx 替换为 cwprep-mcp。

编辑配置文件：

  • 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"]
    }
  }
}

设置 → MCP → 添加新的 MCP 服务器，或编辑 ~/.cursor/mcp.json：

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

在项目根目录创建 .vscode/mcp.json：

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

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

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

编辑 ~/.gemini/settings.json：

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

编辑 ~/.continue/config.yaml：

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

启动服务器：

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

然后使用端点配置你的客户端：http://your-server-ip:8000/mcp

可用的 MCP 功能

类型

名称

描述

🔧 工具

generate_tfl

从流定义生成 .tfl/.tflx 文件

🔧 工具

translate_to_sql

将流定义或 .tfl 文件转换为 ANSI SQL

🔧 工具

list_supported_operations

列出所有支持的节点类型

🔧 工具

validate_flow_definition

在生成前验证流定义

📖 资源

cwprep://docs/api-reference

SDK API 参考

📖 资源

cwprep://docs/calculation-syntax

Tableau Prep 计算语法

📖 资源

cwprep://docs/best-practices

常见陷阱和流设计规则

💬 提示词

design_data_flow

交互式流设计助手

💬 提示词

explain_tfl_structure

TFL 文件结构说明

AI 技能支持

本项目包含一个专门的 AI 技能，供 Claude 或 Gemini 等助手使用，以帮助你构建流。

  • 位置: .agents/skills/tfl-generator/

  • 功能: 带有回退 SDK 使用指南的 MCP 服务器索引。详细的 API 和语法参考通过 src/cwprep/references/ 中的 MCP 资源提供。

目录结构

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

配置

创建 config.yaml 以设置默认配置：

# 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

更新日志

查看 changelog.md 获取版本历史。

许可证

AGPL-3.0 许可证

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections. Dates show when Glama detected each change.

No tool schema history has been recorded yet.

This server cannot be installed

RayrunBuild, deploy, and operate MCP servers without becoming an infrastructure team.ray.runAd

Maintenance

ActivitySlowing
ResponsivenessNo issues

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

Related MCP Servers

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/aidatacooper/cwprep'

If you have feedback or need assistance with the MCP directory API, please join our Discord server