⛓️ Blockchain Learning Path
GitHub

Clase 57 · Extraer y normalizar datos on-chain

Clase independiente 57 de 66 · Nivel: Inicial → Avanzado · Fuente base: documentación de Bitcoin Core y de ethereum.org, especificación JSON-RPC de Ethereum, Mastering Bitcoin (Antonopoulos) y las guías de FATF/GAFI sobre activos virtuales

⬅️ Clase anterior · 📚 Índice de las 66 clases · 🗂️ Mapa del tema · ➡️ Clase siguiente

Punto de partida

Pregunta guía: ¿Cómo convertimos bloques y transacciones en un dataset reproducible?

Caso que abre la clase: Dos consultas del mismo rango difieren por una reorganización reciente.

El dataset se extrae dos veces alrededor de una reorganización. Procedencia, bloque de corte y deduplicación convierten una descarga en evidencia analizable.

Fundamentos que sostienen la respuesta

  1. RPC, exploradores y procedencia. En esta clase delimita qué objeto o relación estamos observando antes de sacar conclusiones. Localízalo explícitamente en «Dos consultas del mismo rango difieren por una reorganización reciente.» y anota qué dato faltaría para refutar tu lectura.
  2. UTXO frente a cuentas. En esta clase explica el mecanismo que conecta la situación inicial con el cambio observable. Localízalo explícitamente en «Dos consultas del mismo rango difieren por una reorganización reciente.» y anota qué dato faltaría para refutar tu lectura.
  3. reorgs, duplicados y corte. En esta clase permite contrastar el resultado y formular el límite de la evidencia. Localízalo explícitamente en «Dos consultas del mismo rango difieren por una reorganización reciente.» y anota qué dato faltaría para refutar tu lectura.

Nivel 1 — Fundamentos: qué hay dentro y qué nunca estuvo

La primera confusión que hay que desmontar es de vocabulario. Minar criptomonedas es competir por proponer el siguiente bloque y cobrar por ello: es una actividad de consenso, estudiada en las clases 7–8. Minar datos de una blockchain es leer lo ya escrito para encontrar regularidades: es una actividad de análisis, y no produce ni una sola moneda. Comparten el verbo por herencia histórica del inglés mining, y nada más.

Un bloque contiene una cabecera (altura o número, hash propio, hash del bloque anterior, marca de tiempo, y en la EVM el gas usado y el límite) y una lista ordenada de transacciones. El encadenamiento por el hash previo es lo que hace que alterar un bloque antiguo invalide todos los posteriores. Dos campos se malinterpretan sistemáticamente. El primero es la marca de tiempo: la declara quien propone el bloque, dentro de un margen tolerado; es una aproximación útil para agregar por día, y una fuente de error si se usa para afirmar el orden exacto de dos hechos separados por segundos. El segundo son las confirmaciones: no son un sello de validez sino una medida de coste de reversión. Seis confirmaciones no significan "ya es definitivo"; significan "revertirlo ahora saldría muy caro".

La transacción es donde los dos modelos divergen. En UTXO, una transacción consume salidas anteriores y crea salidas nuevas; la comisión no es un campo, se deduce restando: entradas menos salidas. Cada salida se gasta entera, y por eso aparece la salida de cambio, que vuelve al remitente. Un analista novato suma todas las salidas y concluye que se movieron cantidades enormes: buena parte era cambio volviendo a su dueño. En el modelo de cuentas, la transacción declara de, para, valor y nonce, y la comisión es gasUsado × precioGas. Aquí la trampa es otra: en una transferencia de token ERC-20 el campo valor vale cero, porque lo que se mueve no es el activo nativo sino una anotación dentro de un contrato, publicada como evento. Quien analiza tokens leyendo valor concluye que no se movió nada.

Sobre la privacidad, el término correcto es seudonimato, no anonimato. Una dirección es un identificador estable sin nombre asociado; la cadena es pública, permanente y correlacionable. Reutilizar una dirección enlaza toda su historia, y un único punto de contacto con el mundo real (un servicio que conoce a su cliente, un pago publicado, una dirección puesta en una web) puede unir esa historia con una identidad. Lo que se puede saber públicamente son movimientos entre identificadores; lo que no se puede saber desde la cadena es quién los controla, por qué motivo y con qué acuerdo detrás.

Nivel 2 — Adquisición y preparación: donde se pierden los datos

Hay cuatro fuentes y cada una impone su sesgo. Un nodo propio da el dato de primera mano y control total, a cambio de operarlo y almacenarlo (clases 33–34). Una API de explorador es cómoda y trae datos ya enriquecidos, pero introduce una dependencia, límites de tarifa y decisiones ajenas sobre qué es una "transferencia". Un indexador (clases 21–22) devuelve datos consultables por evento, pero solo los que alguien decidió indexar. La mempool ofrece lo que aún no se ha confirmado: útil para estudiar comportamiento y latencia, peligroso para contar dinero, porque lo pendiente puede no ocurrir nunca.

La extracción real es siempre paginada y reanudable. Un proveedor trunca las respuestas: pedir mil bloques puede devolver diez sin que eso sea un error, y un extractor que asume que recibió todo lo que pidió se salta bloques en silencio. Por eso se guarda un checkpoint (el último bloque consolidado) y se reanuda desde ahí, y por eso los reintentos deben ser idempotentes: si el mismo bloque llega dos veces, el almacén no puede duplicarlo. La clave primaria natural (el hash de la transacción) resuelve la mitad del problema; la otra mitad es la reorganización, en la que un bloque ya guardado deja de existir y otro ocupa su altura. Detectarla es comparar el hashPrevio del bloque nuevo con el hash que uno ya tiene almacenado; ignorarla significa contar transacciones que la cadena definitiva nunca incluyó.

La preparación termina en normalización y validación: unificar unidades (siempre unidades mínimas enteras, nunca decimales flotantes, para no perder precisión), derivar campos útiles (día, comisión efectiva), rechazar registros imposibles y dejar registrada la procedencia: de qué fuente, en qué rango de bloques y con qué versión del extractor. El almacén se elige según la pregunta: SQL para agregaciones y series temporales, NoSQL para documentos heterogéneos como los logs, y base de grafos cuando la pregunta es de caminos y vecindades. Es legítimo empezar en SQL y proyectar un grafo solo para las consultas que lo necesitan.

Trabajo práctico

Método propio: pipeline reproducible por checkpoints.

Actividad: Construir pipeline incremental con checkpoints y validaciones.

Trabaja en entorno local, regtest, signet o testnet según corresponda. Conserva entradas, comandos, salidas y bloque o instante de corte. Una captura aislada no demuestra reproducibilidad.

Gráfico pedagógico

Recorre el gráfico en voz alta: identifica supuestos, transformaciones y el punto exacto donde aparece evidencia.

flowchart LR
  S["Situación inicial"] --> X["RPC, exploradores y procedencia"] --> Y["UTXO frente a cuentas"] --> Z["reorgs, duplicados y corte"]
  Z --> R{"¿Responde la pregunta guía?"}
  R -->|sí, con evidencia| E["Entregable verificable"]
  R -->|no| S

Demostración de aprendizaje

Entregable: Dataset con esquema, bloque de corte, hash y reglas de calidad.

Comprobación formativa: ¿Qué campos permiten reproducir exactamente el conjunto observado?

Para aprobar debes conectar el hecho observado con el concepto correcto, descartar al menos una interpretación alternativa y redactar una conclusión cuyo alcance no exceda la prueba.

Errores que esta clase corrige

Vuelve al caso inicial, elige el error más peligroso y describe una comprobación concreta que lo detectaría.

Fuentes para comprobar y ampliar

Consulta además la bibliografía razonada, que declara procedencia y uso.

Cierre de la clase

Responde otra vez la pregunta guía sin mirar notas. Si tu respuesta no menciona evidencia, supuesto y límite, todavía describe el tema pero no lo domina. Continúa solo cuando otra persona pueda reproducir tu entregable.