Vamos analisar a criação de uma transação com base na tabela `BankAccounts` descrita no capítulo anterior.

Realizaremos uma transação financeira simples: a transferência de fundos de uma conta para outra. Garantir que ambas as etapas ocorram como uma única unidade lógica exemplifica uma transação real.

Trabalharemos com os números de conta `101` e `789`, e o saldo inicial será o seguinte:

import unittest
import psycopg2
import pandas as pd

class TestPostgresQuery(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        cls.connection = psycopg2.connect(
            host="localhost",
            user="agent",
            password="qwerty",
            dbname="testdb",
            sslmode="disable"
        )
        cls.cursor = cls.connection.cursor()

    def test_balances_after_transaction(self):
        """Check if balances for accounts 101 and 789 are updated correctly after transferring 500 from 101 to 789."""
        with open("query.sql", "r") as file:
            query = file.read()
        self.cursor.execute("UPDATE BankAccounts SET balance = 4500 WHERE account_number = 101;")
        self.cursor.execute("UPDATE BankAccounts SET balance = 3500 WHERE account_number = 789;")
        self.connection.commit()
        self.cursor.execute(query)
        rows = self.cursor.fetchall()
        columns = [desc[0] for desc in self.cursor.description]
        result_df = pd.DataFrame(rows, columns=columns)
        result_df = result_df.set_index('account_number')
        expected_balances = {101: 4000.00, 789: 4000.00}
        correct = True
        for acc, expected in expected_balances.items():
            if acc not in result_df.index or float(result_df.loc[acc, 'balance']) != expected:
                correct = False
        _dynamic_test(
            self,
            correct,
            "Balances are updated correctly after transaction.",
            f"Balances are not updated correctly.\\nExpected: {expected_balances}\\nGot: {result_df['balance'].to_dict()}"
        )

    def test_transaction_committed(self):
        """Check that the transaction is committed and balances persist after reconnect."""
        with open("query.sql", "r") as file:
            query = file.read()
        # Reset balances
        self.cursor.execute("UPDATE BankAccounts SET balance = 4500 WHERE account_number = 101;")
        self.cursor.execute("UPDATE BankAccounts SET balance = 3500 WHERE account_number = 789;")
        self.connection.commit()
        self.cursor.execute(query)
        self.connection.commit()
        # Reconnect to check persistence
        self.cursor.close()
        self.connection.close()
        connection2 = psycopg2.connect(
            host="localhost",
            user="agent",
            password="qwerty",
            dbname="testdb",
            sslmode="disable"
        )
        cursor2 = connection2.cursor()
        cursor2.execute("SELECT account_number, balance FROM BankAccounts WHERE account_number IN (101, 789);")
        rows = cursor2.fetchall()
        result_df = pd.DataFrame(rows, columns=['account_number', 'balance']).set_index('account_number')
        expected_balances = {101: 4000.00, 789: 4000.00}
        correct = True
        for acc, expected in expected_balances.items():
            if acc not in result_df.index or float(result_df.loc[acc, 'balance']) != expected:
                correct = False
        _dynamic_test(
            self,
            correct,
            "Transaction was committed and balances persisted.",
            f"Transaction was not committed or balances did not persist.\\nExpected: {expected_balances}\\nGot: {result_df['balance'].to_dict()}"
        )
        cursor2.close()
        connection2.close()
def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

if __name__ == "__main__":
    unittest.main()


test_solution.py

Inicie uma jornada empolgante pelo SQL com Técnicas Avançadas em SQL. Aprenda sobre as importantes propriedades ACID que garantem a precisão dos dados em transações de banco de dados. Descubra métodos avançados para otimizar suas consultas e melhorar o desempenho do banco de dados. Explore recursos especiais do SQL, como funções de janela, gatilhos, Linguagem de Controle de Dados (DCL) e bancos de dados NoSQL. Isso ajudará você a lidar com a gestão moderna de bancos de dados com confiança e eficácia.

Agora exploramos os princípios básicos do ACID (Atomicidade, Consistência, Isolamento, Durabilidade) na gestão de bancos de dados. Saiba como esses princípios garantem transações confiáveis ao assegurar operações completas, manter a consistência dos dados, isolar transações concorrentes e garantir o armazenamento permanente das informações.

Explore como aumentar a eficiência de suas consultas SQL por meio da otimização de índices. Aprofunde-se na importância dos índices no desempenho do banco de dados, aprendendo como projetá-los, implementá-los e utilizá-los de forma eficaz. Descubra estratégias para escolher os índices apropriados, compreender seu impacto nos planos de execução de consultas e otimizar o desempenho das consultas por meio da seleção e utilização de índices.

Esta seção explora tópicos fundamentais como gatilhos, funções de janela e DCL (Data Control Language), oferecendo uma visão abrangente sobre sua implementação e estratégias de otimização. Além disso, aborda o universo dos SGBD NoSQL, proporcionando uma compreensão detalhada de sua arquitetura, vantagens e aplicações práticas.

Desafio: Criação de Transação

Solução

Desafio: Criação de Transação

Solução