OCT-Datenintegration
OCT-Datenintegration
Breadcrumbs

OCT mit REWE Modell und DATEVconnect Riecken

Kurzanleitung für die Einrichtung des REWE Modells mit DATEVconnect Anbindungin der Cloud, falls auf DATEV über Riecken Gateway zugegriffen wird.

Funktion des Riecken Gateways über ein Python Script testen

  • https://api.cloudgateway.riecken.io/datev/api/accounting/v1/clients → Test des Mandantenabrufs, muss die Liste der relevanten Mandanten liefern

  • https://api.cloudgateway.riecken.io/datev/api/accounting/v1/clients/xxx-yyy-xxx-dda/fiscal-years-id/20250101/account-postings?filter=account_number ge 10000000 and account_number le 20000000 → Test des Buchungsabrufs, muss die Buchungen auf Konto 1000 bis 2000 liefern (Bereich ggf. anpassen)

Testscript für Riecken Gateway
Python

# Source: logikrepo-datev/src/main/Gateways/DATEVconnect/Entwicklung/Komponenten/Testabruf_Clients_Riecken.py
# Testscript für die Riecken Web API 
# Zuletzt modifiziert: 04/2026 - Gerd Tautenhahn für Saxess Software GmbH
# es wird testweise die Liste der clients (Mandanten abgerufen)
# bei erfolgreichem Aufruf erscheint ein JSON Objekt mit Mandantennamen und Nummern
# vom ersten Mandanten werden die Buchungen der Konten 1000 bis 2000 abgerufen, um zu testen um die Lizenz für Kontobuchungen vorhanden ist

import requests
from requests.auth import HTTPBasicAuth
from urllib.parse import quote
import json

username    = 'xxxxx-xxxxx-xxxxx-xxxxx'
password    = 'yyyy-yyyy-yyyy-yyyyy'
base_url    = 'https://api.cloudgateway.riecken.io/datev/api/accounting/v1'
url_clients = f'{base_url}/clients'
# url_clients = 'https://datevconnect.riecken-webservices.at/datev/api/accounting/v1/clients' -- alte URL Route


# ---------------------------------------------------------------
# 1. Abruf: Liste der Clients (Mandanten)
# ---------------------------------------------------------------
print("=" * 60)
print("1. Abruf: Clients (Mandanten)")
print("=" * 60)

response = requests.get(
    url_clients,
    auth=HTTPBasicAuth(username, password)
)
print(f"Status Code: {response.status_code}")
clients_data = response.json()
print(json.dumps(clients_data, indent=2, ensure_ascii=False))

# ---------------------------------------------------------------
# 2. Abruf: Buchungen (Account Postings) für den ersten Client
# ---------------------------------------------------------------
print()
print("=" * 60)
print("2. Abruf: Buchungen (Account Postings) für ersten Client")
print("=" * 60)

# client_id aus dem ersten Eintrag der zurückgegebenen Liste extrahieren
# Antwortformat: Liste von Objekten, jedes mit einem "id"-Feld
try:
    if isinstance(clients_data, list):
        clients_list = clients_data
    elif isinstance(clients_data, dict):
        # Falls die Liste unter einem Schlüssel wie "data" oder "value" liegt
        clients_list = clients_data.get('data') or clients_data.get('value') or []
    else:
        clients_list = []

    if not clients_list:
        raise ValueError("Keine Clients in der Antwort gefunden.")

    first_client = clients_list[0]
    client_id    = first_client.get('id') or first_client.get('client_id')
    client_name  = first_client.get('name', '(unbekannt)')

    if not client_id:
        raise ValueError(f"Kein 'id' oder 'client_id' Feld im ersten Client gefunden: {first_client}")

    print(f"Verwende Client: {client_name} (ID: {client_id})")

    # Buchungsabruf: Konten 1000–2000 (8-stellige Kontonummern: 10000000–20000000)
    fiscal_year   = '20250101'
    account_from  = 10000000   # entspricht Konto 1000 (8-stellig)
    account_to    = 20000000   # entspricht Konto 2000 (8-stellig)
    filter_param  = f'account_number ge {account_from} and account_number le {account_to}'

    url_postings = f'{base_url}/clients/{client_id}/fiscal-years/{fiscal_year}/account-postings'

    print(f"Basis-URL: {url_postings}")
    print(f"Filter:    {filter_param}")
    print()

    # Filter-Parameter manuell mit %20 kodieren (nicht + wie bei params=)
    url_postings_with_filter = f'{url_postings}?filter={quote(filter_param)}'

    response2 = requests.get(
        url_postings_with_filter,
        auth=HTTPBasicAuth(username, password)
    )
    print(f"Tatsächlich gesendete URL: {response2.request.url}")
    print(f"Status Code: {response2.status_code}")
    postings_data = response2.json()
    print(json.dumps(postings_data, indent=2, ensure_ascii=False))

except (IndexError, KeyError, ValueError) as e:
    print(f"Fehler beim Verarbeiten der Clients-Antwort: {e}")

Installation von OCT

  • OCT Datenbank in der OCT Cloud bereitstellen lassen, Version 2026.03

  • Storage Account in der OCT Cloud bereitstellen lassen

Einrichtung der OCT Datenbank und des Storage Accounts

  • Storage Account als Datenquelle registrieren

  • Gateway_DATEVconnect.zip 🔒herunterladen und entpacken

  • aus dem Setup Ordner das Datenbankscript für Gateway_DATEVconnect ausführen

  • im Storage Account eine Dateifreigabe “python” anlegen

  • Gateway_DATEVconnect Ordner auf den Storage Account in diese Dateifreigabe kopieren

  • config.json Datei bearbeiten

  • REWE Basismodell einspielen

  • Konnektor DATEVconnect - REWE einspielen

Einrichtung der OCT Datenbank für die DATEVconnect Staging Daten

  • in der Pipeline GWDC den Step für Ausführung über Python löschen

  • den Step für die Ausführung über Container 🔒 konfigurieren

  • Containerstep zum Abruf der Steuerungstabelle aktivieren und Pipeline ausführen

  • Ergebnis im Validierungstab der Steuerungstabelle anschauen und über abzurufende Mandanten entscheiden

  • relevante Mandanten im Step Mandantenaktivierung aktivieren

  • Containerstep für Staging aktivieren und Pipeline ausführen

  • Daten im Tab für die Valiedierung der Gatewaydaten validieren

Mit dem Staging der DATEV Daten ist man jetzt fertig - es folgt die Standardeinrichtung des REWE Modells

Einrichtung der OCT Datenbank für das REWE Modell

  • REWE Modul und Konnektor einspielen

    • REWE Modell incl. Modellierung über die OCT Modulverwaltung einspielen (Modul “REWE”) → erstellt die integration.tREWE* und result.tREWE* Tabellen + Views etc. und die Pipeline RESULTLOAD, erweitert Pipeline TRUNCATE und ATR

    • Konnektor DATEVconnect_REWE über die OCT Modulverwaltung einspielen (Modul “REWE-KONNEKTOR-GATEWAY-DATEVCONNECT”) → erstellt die Pipeline GWDC

  • Modellierung einrichten

    • in TAB GWDC nochmal die Steuerungstabelle anschauen und die Kontenrahmen merken, die im Einsatz sind

    • Produkt HGB Struktur in die Produktline… kopieren (per Drag & Drop)

    • Jeden benötigten Kontenrahmen aus Produktline .. in Produktline .. kopieren (per Drag & Drop)

    • Pipeline Modellierung ausführen

  • Pipeline für Konnektor konfigurieren

    • tmp: wegen einer Einschränkung in v2026.03 muss in den Steuerungsabfragen der globale Parameter {DatenquellenID} manuell durch den tatsächlichen Wert ersetzt werden

    • nicht zu tun, einfach ausführen → dieser holt die Daten aus staging* nach integration* , das Ergebnis kann in den Validierungstabellen der Produktline analysiert werden

  • Pipeline RESULTLOAD

    • tmp: wegen einer Einschränkung in v2026.03 muss in den Steuerungsabfragen der globale Parameter {DatenquellenID} manuell durch den tatsächlichen Wert ersetzt werden

    • nichts zu tun, einfach ausführen → dieser holt die Daten aus integration* nach result* , das Ergebnis kann in den Validierungstabellen der Produktline analysiert werden

Optionale Komponenten

  • Modul “REWE-ADDON-CORPORATE-PLANNER” und “REWE-ADDON-BUCHUNGSKREISMAPPING” einspielen Doku → dieses bereitet die Daten aus result* für CP auf, das Ergebnis kann in den Validierungstabellen der Produktline analysiert werden

  • Modul “REWE für Bissantz DeltaMaster” einspielen → dieses bereitet die Daten aus result* für DeltaMaster auf, das Ergebnis kann in den Validierungstabellen der Produktline analysiert werden