GraphQL
GraphQL
¿Qué es GraphQL?
- Solicite solo los datos necesarios, en una sola petición
- Solución a los problemas de respuestas excesivas o insuficientes
- Alternativa a REST
Al incorporar GraphQL, la facultad de decidir «qué datos entregar» pasa del servidor al cliente. Con REST, cada vez que cambiaba una pantalla, el equipo de frontend tenía que pedir un nuevo endpoint al backend y esperar la fecha de despliegue. Con GraphQL basta con ajustar la consulta dentro de los campos definidos en el esquema, y la pantalla cambia ese mismo día. La eliminación de la espera entre equipos es el cambio que más se nota en la práctica. A cambio, la responsabilidad de diseñar el esquema y gestionar sus versiones se suma como nueva tarea del backend.
Normalmente hay un único endpoint, /graphql, y las operaciones se dividen en tres tipos: consultas (Query), mutaciones (Mutation) y suscripciones en tiempo real (Subscription). La diferencia decisiva con REST es el caché. REST usa directamente el CDN y la caché del navegador por URL, pero en GraphQL todo el tráfico va por POST a una misma dirección, así que en la práctica no se puede usar la caché de HTTP. Hay que añadir por separado una caché en el cliente, como Apollo, o consultas persistentes. Además, como los errores llegan dentro del cuerpo de una respuesta HTTP 200, el monitoreo que detectaba fallas por código de estado hay que rehacerlo desde cero.
El criterio para decidir su adopción es sencillo. Conviene cuando, para dibujar una sola pantalla, hay que llamar seguidas a tres o cuatro APIs o más, y cuando hay tres o más clientes, como web, iOS y Android. En cambio, si el servicio gira en torno a pantallas de administración y tiene unos 20 endpoints, REST resulta mucho más económico de mantener. En lugar de reemplazarlo por completo, en Corea es más frecuente el compromiso de colocar GraphQL solo en la capa BFF para envolver el REST existente.
El malentendido más común es pensar que, «como se recibe todo de una vez, siempre es más rápido». Dentro del servidor se produce tal cual una llamada N+1: por cada uno de los 20 artículos se consulta aparte el autor, y si se abre sin data loader, las conexiones a la base de datos se agotan primero. También es riesgoso que el cliente pueda fijar la profundidad de anidamiento a su antojo: si no se establecen límites de profundidad y complejidad, una sola consulta puede detener el servidor. Además, los permisos deben verificarse campo por campo y no por URL. Al pasarlos por alto, han ocurrido incidentes reales en los que quedaron expuestos campos como el salario o los datos de contacto personales.
Jaryong KooDoctor en Marketing y referente en IA, análisis de datos y marca personal
Seungtae ParkInstructor práctico de AX que enseña el desarrollo de negocios con IA y la automatización del marketing, construyéndolos en la prácticaLenguaje de consulta de API que Facebook desarrolló internamente en 2012 y publicó en 2015. Estandarizó la forma en que el cliente solicita con precisión los datos que necesita.
Veamos un caso hipotético: la empresa A es un e-commerce de moda con 320 colaboradores y ventas anuales de KRW 180,000,000,000 (≈ US$134,724,500). Para mostrar una sola pantalla de detalle de producto en la app, llamaba siete veces a la API REST, y la carga llegó a 2.8 segundos en promedio. Cada vez que cambiaba la planificación había que crear nuevos endpoints, y los despliegues se retrasaban dos semanas. El CTO asignó una tarea de mejora de tres meses.
- Al revisar los registros de acceso, Kim, líder del equipo de desarrollo móvil, encontró que una sola pantalla de detalle de producto generaba 7 llamadas, con un tiempo medio de carga de 2.8 segundos en LTE y una tasa de abandono en la primera pantalla de 18%.
- El responsable de backend se opuso alegando que «si se crea un endpoint por cada pantalla, las direcciones a gestionar superan las 200». Por eso se acordó mantener el REST existente y colocar una pasarela GraphQL en la capa BFF.
- Durante las primeras cuatro semanas solo pasamos al esquema tres dominios: productos, reseñas e inventario. Pero en la lista de reseñas apareció un problema N+1, con una consulta de autor por cada reseña. Añadimos un data loader y redujimos las llamadas a la base de datos de 50 a 3.
- En la segunda semana de apertura, un socio envió una consulta anidada de seis niveles y la CPU del servidor de API llegó al 92%. Esa misma noche aplicamos un límite de profundidad de 5, un límite de complejidad de 1,000 y consultas persistentes.
- Tres meses después, las llamadas para el detalle de producto bajaron de 7 a 1, el tiempo medio de carga pasó de 2.8 a 1.1 segundos y las solicitudes de cambios de pantalla que esperaban un despliegue del backend bajaron de 11 al mes a 2.