Comme introduit dans la partie précédente, nous allons enregistrer les données qui arrivent sur le broker en utilisant Node-Red sur un serveur PostgreSQL.
Si l’installation a réussie, Node-Red devrait être accessible sur le port 1880 (par exemple raspberrypi.local:1880). Il vous faudra installer depuis celui-ci:
Et c’est tout!
Un node MQTT existe dans l’installation standard. En plaçant un node, ou nœud, MQTT IN sur votre feuille de flux (ou flow), vous pouvez configurer le serveur ou broker comme on l’a fait en python la dernière fois, puis le nœud afin d’écouter un canal en particulier.
Node Red fonctionne aussi avec des scopes. Il y en a trois:
msg: ce scope contient les objets partagés entre les nœuds liés entre eux. Celui qui nous intéresse est le message porté par votre source, qui se trouve sous msg.payload.
flow: ce scope contient tous les objets que vous désirez partager avec l’ensemble des nœuds présent sur une feuille.
global: comme son nom l’indique, ce scope est partagé entre tous les flow, donc toutes les feuilles.
Voici un flux en prenant comme exemple notre canal zigbee2mqtt/TH_bureau, avec en arrivé le débugueur (imprimé à droite)
Le message en sorti du canal décomposé dans un objet javascript.
En Output, l’option parsed JSON object a été sélection afin d’obtenir un objet javascript comme on peut le voir dans le débugueur.
On retrouve nos 6 grandeurs: le niveau de batterie, l’humidité, la qualité de la connexion, la pression atmosphérique, la température et le niveau de tension de la batterie en mV.
L’objectif sera d’obtenir le même type de message pour tous les capteurs qui ont la même fonction. Ainsi un unique réseau de nœuds sera nécessaire pour l’ensemble de vos capteurs: moins de nœuds, donc moins de code, donc moins de bug et maintenance!
La qualité n’est pas toujours envoyé, donc il faudra la rajouter lorsqu’elle manque. Par ailleurs on peut rajouter un nom plus sympathique (comme bureau) au message. On va donc utiliser un nœud switch pour détecter si linkquality manque et des nœuds change afin de rajouter les éléments manquants.
l’objet name a été rajouté, et linkquality rajouté si nécessaire
…puis les insérer dans une table SQL
comme indiqué dans le précédent article, nous avons préalablement créé un schema th dans lequel les tables contenant les données de chaque capteur sera enregistré. L’objectif ici sera de créer ces tables si elles manquent, puis d’insérer les nouvelles données à chaque nouveau message.
Rajoutez un nœud postgresql sur votre flux. Après avoir double-cliqué, vous pouvez configurer Node-Red pour se connecter au serveur. Vous pouvez désactivé les outputs: on ne va faire qu’insérer de la donnée.
Entre le flux précédent (MQTT) et ce nœud postgresql, il faut faire deux nœuds:
un nœud switch dans lequel on injectera les paramètres de la requête SQL et on les placera dans l’objet msg.data
un nœud template dans lequel on assemblera notre requête et on la placera dans l’objet msg.query
Dans le premier nœud, vous créez un objet vide puis y placez vos données
Un objet data vide est créé, puis on ajoute les données sous sensors
Dans msg.data.sensors se trouve:
Vous noterez que msg_ts a été rajouté afin de capturer le moment. On pourrait aussi utiliser now comme valeur par défaut dans postgresql, mais je préfère capturer le moment au plus proche de l’émission du message.
Dans le second nœud, la propriété sélectionné sera msg.query, le format Mustache template, l’output sera du texte et la requête SQL ainsi:
CREATE TABLE IF NOT EXISTS th.{{{data.sensors.name}}}(
ID SERIAL PRIMARY KEY NOT NULL,
battery INT,
humidity REAL NOT NULL,
pressure REAL,
temperature REAL NOT NULL,
voltage INT,
linkquality INT,
msg_ts TIMESTAMP NOT NULL
);
INSERT INTO th.{{{data.sensors.name}}}(battery,
humidity,
pressure,
temperature,
voltage,
linkquality,
msg_ts)
VALUES ({{{data.sensors.battery}}},
{{{data.sensors.humidity}}},
{{{data.sensors.pressure}}},
{{{data.sensors.temperature}}},
{{{data.sensors.voltage}}},
{{{data.sensors.linkquality}}},
'{{{data.sensors.msg_ts}}}');
COMMIT;
La première partie de la requête est assez explicite: si la table nommé par le nom sous msg.name ou data.sensor.name n’existe pas, il faut la créer. On y retrouve nos 6 grandeurs ainsi que le temps et un identifiant unique.
La seconde partie est la requête pour injecter la donnée. Le timestamp est entre des single quotes puisque ce n’est pas un int, mais une chaîne de caractère.
Il ne reste plus qu’à tout rassembler! On peut lier tous les canaux sur le même réseau, juste après avoir mis le nom.
‣ Voici un example à importer (Menu Sandwich → import)
Panel: voir les données historiques
On va recréer une application Panel comme dans le précédent article. Cette fois-ci le Dashboard sera beaucoup plus classique et facile à concevoir.
Voici un Notebook Jupyter qui décrit point par point comment le créer.
Http iframes are not shown in https pages in many major browsers. Please read this post for details.
Vous pouvez maintenant utiliser directement le code source de ce notebook comme la dernière fois en appelant:
cela devrait vous ouvrir une page dans votre navigateur avec uniquement le dernier élément appelé avec .servable(). Il serait judicieux de nettoyer le notebook avec les cellules de présentation si vous voulez accélérer le démarrage car chaque cellule est éxécutée, ou tout simplement d’aller voir le notebook disponible sur GitHub.
Intégrer
vous pouvez maintenant rajouter cette application au service de votre Raspbrry Pi. En effet, bokeh, la bibliothèque sur laquelle est basée Panel, permet de lancer plusieurs applications en même temps. Elle génère automatiquement une page d’accueil qui permet à l’utilisateur de choisir entre celles-ci.
On va donc modifier la ligne ExecStart du fichier home_on_bokeh.service et rajouter l’application (en gras la modification):
Et voila! Cette seconde application est un peu plus lente au démarrage que la première, surtout que le pauvre RPi doit faire tourner node-red, postgresql et l’application en parallèle.
Passer à un RPi 4 ne serait pas de trop. Mais si vous ne l’utilisez que pour la domotique, je conseille fortement de passer à Home Assistant et d’y rajouter les modules Grafana et InfluxDB pour arriver à un résultat similaire (quoi que, sans le fun 😉 ).
