hreine/Data-Stage-MCP-Server

Servidor MCP de DataStage

Este proyecto implementa un servidor de Protocolo de contexto modelo (MCP) basado en Python utilizando mcp[cli] para interactuar con IBM DataStage. Proporciona una interfaz web para ejecutar herramientas de línea de comandos de DataStage (dsjob, dsexport, y dssearch).

Idioma

Español

Estructura del Proyecto

mcp_server/
│
├── datos/                 # Ejemplos de archivos CSV y Parquet (no usados en esta implementación)
├── herramientas/          # Definiciones de herramientas MCP (dsjob.yaml, dsexport.yaml, dssearch.yaml)
├── utilidades/            # Lógica de comandos Data Stage reutilizable
│	└──datastage.py		   # Contiene la lógica para interactuar con las herramientas de línea de comandos de DataStage (`dsjob`, `dsexport`, `dssearch`) utilizando el módulo `subprocess` de Python.
├── servidor.py            # Crea el servidor MCP y registra las herramientas.
├── main.py                # Punto de entrada para el servidor MCP.
├── requirements.txt       # Enumera las dependencias de Python necesarias para ejecutar el servidor.
└── README.md              # Documentación del proyecto.

Instalación

1. Clonar el repositorio (si aún no lo has hecho):

   git clone <URL_DEL_REPOSITORIO>
   cd mcp_server
   

2. Crear un entorno virtual (recomendado):

   python -m venv venv
   source venv/bin/activate  # En Linux/macOS
   # o
   .\venv\Scripts\activate   # En Windows
   

3. Instalar las dependencias:

   pip install -r requirements.txt
   

4. Asegúrate de que las herramientas de línea de comandos de DataStage estén disponibles: Las herramientas dsjob, dsexport y dssearch (simulado) deben estar instaladas y accesibles en la variable de entorno PATH de tu sistema.

Ejecución del Servidor MCP

Para iniciar el servidor MCP, ejecuta el siguiente comando desde el directorio mcp_server/:

python main.py

El servidor se iniciará y escuchará las solicitudes del Gemini CLI.

Uso con Gemini CLI

Una vez que el servidor MCP esté en ejecución, Gemini CLI podrá detectar y utilizar las herramientas de DataStage expuestas.

dsjob

Permite ejecutar comandos dsjob en DataStage.

Ejemplo: Ejecutar un trabajo de DataStage.

dsjob_command(project="MyProject", job_name="MyJob", command="run")

Ejemplo: Obtener el log de un trabajo.

dsjob_command(project="MyProject", job_name="MyJob", command="log")

dsexport

Permite exportar objetos de DataStage.

Ejemplo: Exportar un trabajo de DataStage a un archivo.

dsexport_command(project="MyProject", object_type="JOB", object_name="MyJob", output_file="/path/to/MyJob.isx")

dssearch (Simulado)

Permite buscar objetos en DataStage. Actualmente, esta función simula la búsqueda listando trabajos y filtrando por nombre.

Ejemplo: Buscar trabajos que contengan "Customer" en su nombre.

dssearch_command(project="MyProject", search_string="Customer")

Configuración con Gemini CLI

Para asegurar que Gemini CLI pueda interactuar correctamente con el servidor MCP, sigue estos pasos:

1. Activar el entorno virtual: Es crucial activar el entorno virtual donde se instalaron las dependencias del proyecto. Esto asegura que el intérprete de Python correcto y las librerías necesarias estén disponibles.

   .\venv\Scripts\activate   # En Windows
   # source venv/bin/activate  # En Linux/macOS
   

2. Ejecutar el servidor MCP: Una vez activado el entorno virtual, inicia el servidor MCP. En Windows, es recomendable usar la siguiente sintaxis para asegurar la correcta codificación de caracteres en la consola:

   chcp 65001 && set PYTHONIOENCODING=utf-8 && python mcp_server/main.py &
   

   (El & al final ejecuta el servidor en segundo plano, permitiéndote seguir usando la terminal.)

   En Linux/macOS, puedes usar:

   python mcp_server/main.py &
   

Una vez que el servidor esté en ejecución, Gemini CLI podrá detectar y utilizar las herramientas de DataStage expuestas.