Migración 1C:UPP a UH vía Python SQLite

# Migración de datos de 1C:ERP a 1C:HC: Pipeline con Python, SQLite y COM

Los desarrolladores de 1C suelen encontrarse con obstáculos al usar las herramientas estándar de conversión al pasar de ERP a HC. Las modificaciones personalizadas en la fuente, las discrepancias en las estructuras de datos y las ejecuciones repetidas requieren una capa intermedia. Un pipeline con Python + SQLite + COM ofrece total transparencia: importación a bases de datos crudas, procesamiento basado en mapeos y exportación al destino. El código de fuente abierta está disponible en GitHub.

Arquitectura de tres etapas

El pipeline se divide en etapas independientes:

• import: Lectura desde ERP vía COM, normalización y guardado en SQLite.
• process: Transformación para adaptarse al modelo de HC usando mapeos de campos, tipos y referencias.
• export: Localización/creación de objetos en HC y escritura vía COM.

Las bases de datos SQLite intermedias permiten inspeccionar los datos en cada paso y comparar versiones crudas vs. procesadas. Cada entidad tiene su propio archivo de base de datos.

Requisitos del pipeline de migración

Esta configuración resuelve desafíos clave de migraciones industriales:

• Transferencia de entidades relacionadas respetando dependencias.
• Separación de lectura, procesamiento y escritura.
• Almacenamiento de datos intermedios para análisis.
• Mapeos automáticos y manuales de campos/enumeraciones.
• Seguimiento dedicado de referencias por UUID.
• Reexportación selectiva de registros.
• Interfaz web para lanzamiento y monitoreo.
• Ejecuciones automáticas programadas con notificaciones.

Por qué SQLite como capa intermedia

SQLite destaca por su practicidad:

• Acceso local, sin servidor necesario.
• Comparaciones fáciles entre etapas.
• Soporta ejecuciones repetidas sin problemas.
• Una BD por entidad y etapa.

El formato de datos es predecible: referencias en JSON con nombre de presentación, UUID y tipo; enumeraciones como Enum.Nombre.Valor.

{
  "presentation": "Romashka S.L.",
  "uuid": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
  "type": "Catalog.Counterparties"
}

Importación desde ERP: Estructura modular

Los módulos en IN/ se conectan a ERP vía COM, ejecutan consultas, normalizan tipos y guardan en BD. Tareas principales:

• Extracción de nombres de presentación y UUID para referencias.
• Manejo de enumeraciones.
• Preservación de tipos para transformaciones posteriores.

La exportación automatizada de metadatos de ERP y HC genera mapeos iniciales, compara atributos y marca discrepancias.

Procesamiento de datos: Procesador y mapeos

La etapa process es el núcleo: renombrado de campos, conversión de tipos, consolidación de cuentas, preparación de referencias. La lógica se divide en:

• Procesador central para infraestructura.
• PROCESS/<catálogo>_processor.py personalizado para reglas de negocio.

Los mapeos residen en archivos dedicados:

• catalog_mapping.json — rutas de cargador/procesador/escritor.
• chart_of_accounts_mapping.json — plan de cuentas.
• Coincidencias de objetos, campos, tipos y enumeraciones.

La automatización genera borradores desde metadatos; ajustes manuales manejan semántica.

Gestión de referencias: Base de datos reference_objects

Una BD dedicada rastrea objetos creados por UUID:

• Referencia fuente (objeto, campo).
• Estado del registro.
• Soporte para actualizaciones parciales y reexportaciones.

Esto elimina el caos de errores: el estado de referencias siempre es visible.

Exportación a HC

El escritor lee la BD procesada, localiza objetos por clave, pobla atributos y actualiza reference_objects. Ventaja clave: datos preprocesados, depuración sencilla.

Interfaz web operativa

La capa web inicia el pipeline, muestra logs, BDs y exportaciones selectivas. Sin duplicación de lógica, acceso amigable para equipos.

Automatización y programación

Integración con programador: ejecuciones nocturnas, alertas por mensajería. De lanzamientos manuales a operaciones automáticas.

Ventajas sobre la conversión estándar

Este pipeline ofrece:

• Datos intermedios transparentes.
• Ciclos de exportar-analizar-ajustar.
• Mapeos y referencias controlados.
• Supervisión granular.
• UI web y programación.

Incorporación más rápida de nuevas entidades, sin reconstrucciones completas.

Conclusiones clave

• Pipeline SQLite de tres etapas reduce riesgos de migración.
• Mapeos auto + manual aceleran configuraciones personalizadas.
• Seguimiento dedicado de referencias previene pérdidas de datos.
• UI web y programación operacionalizan el proceso.
• Código de fuente abierta para replicación fácil.

— Editorial Team