La multiprocesamiento en Python permite ejecutar múltiples procesos en paralelo, cada uno con su propio intérprete de Python y espacio de memoria. Este enfoque es especialmente útil para tareas que requieren mucha CPU, donde se desea aprovechar varios núcleos del procesador para realizar cálculos más rápido. Al utilizar multiprocesamiento, se puede mejorar significativamente el rendimiento en operaciones que requieren cálculos intensivos, como procesamiento de datos, cálculos científicos o simulaciones.

La clase `multiprocessing.Manager` proporciona una forma de crear objetos compartidos, como listas y diccionarios, que pueden ser accedidos y modificados de manera segura por múltiples procesos. Cuando se necesita recopilar resultados o coordinar datos entre diferentes instancias de `Process`, siempre se debe utilizar un `Manager` para crear estos objetos compartidos. Las listas y diccionarios normales de Python no se comparten entre procesos, por lo que los cambios realizados en un proceso no serán visibles para los demás. Con una lista de `Manager`, cada proceso puede agregar o modificar datos, y todos los cambios serán visibles para cada proceso que utilice ese objeto compartido.

Nota

from multiprocessing import Process, Manager

def add_value(value, shared_list):
    shared_list.append(value)

if __name__ == "__main__":
    manager = Manager()
    shared_list = manager.list()
    processes = []
    values = [10, 20, 30, 40, 50]

    for v in values:
        p = Process(target=add_value, args=(v, shared_list))
        processes.append(p)
        p.start()

    for p in processes:
        p.join()

    print("Collected results:", list(shared_list))

Este código demuestra cómo utilizar `multiprocessing.Manager` para crear una lista compartida a la que varios procesos pueden acceder y modificar. Cada proceso calcula el cuadrado de un número y agrega su resultado a la lista compartida. Al usar una lista de `Manager`, se garantiza que todos los procesos puedan compartir y recopilar datos de manera segura, lo que permite reunir resultados de procesos independientes que se ejecutan en paralelo.

import unittest
import user_code
import importlib
import ast
import re
import sys

class TestTask(unittest.TestCase):
    def test_compute_square_function(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, 'compute_square', None)
        _dynamic_test(self, callable(func),
            'compute_square function is defined',
            'compute_square function is missing or not callable.'
        )
        if callable(func):
            results = []
            func(3, results)
            _dynamic_test(self, results == [9],
                'compute_square(3, results) appends 9',
                f'compute_square(3, results) should append 9, got {results}'
            )
            results = []
            func(0, results)
            _dynamic_test(self, results == [0],
                'compute_square(0, results) appends 0',
                f'compute_square(0, results) should append 0, got {results}'
            )
            results = []
            func(-2, results)
            _dynamic_test(self, results == [4],
                'compute_square(-2, results) appends 4',
                f'compute_square(-2, results) should append 4, got {results}'
            )

    def test_results_variable(self):
        import user_code
        importlib.reload(user_code)
        results = getattr(user_code, 'results', None)
        _dynamic_test(self,
            isinstance(results, list),
            'results is a list',
            f'results is not a list: {results}'
        )
        expected = set([1, 4, 9, 16, 25])
        if isinstance(results, list):
            _dynamic_test(self,
                set(results) == expected and len(results) == 5,
                f'results contains all squares: {expected}',
                f'Expected results: {expected}, got: {set(results)}'
            )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]
    if not assign_nodes:
        return code
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True
    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Un análisis profundo de conceptos avanzados de programación estructural en Python, enfocado en el manejo robusto de archivos, gestión de errores, concurrencia, programación asíncrona y pruebas.

Domina el sistema de excepciones de Python para un manejo de errores y depuración robustos.

Explora técnicas avanzadas para operaciones de archivos y gestión de recursos utilizando gestores de contexto.

Comparación y aplicación de los módulos de multithreading y multiprocessing de Python para la programación concurrente.

Domina la programación asíncrona en Python utilizando la biblioteca asyncio para aplicaciones escalables dependientes de E/S.

Explora cómo escribir, organizar y ejecutar pruebas utilizando los frameworks unittest y pytest de Python.

Desafío: El Recolector Paralelo de Cuadrados

Solución