Scribd
Cargar
5 vistas13 páginas

Grupo2 Lab13

El Laboratorio 13 permitió a los estudiantes comprender la programación paralela y concurrente en Python utilizando librerías como gevent y multiprocessing. Se demostró que la ejecución secuencial limita el rendimiento y que el uso de procesos concurrentes mejora la eficiencia de los recursos del sistema. Los ejercicios realizados evidencian la importancia de la programación paralela en aplicaciones que requieren procesamiento intensivo y ejecución de múltiples tareas.

Cargado por

gonzalomoreno300
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
5 vistas13 páginas

Grupo2 Lab13

El Laboratorio 13 permitió a los estudiantes comprender la programación paralela y concurrente en Python utilizando librerías como gevent y multiprocessing. Se demostró que la ejecución secuencial limita el rendimiento y que el uso de procesos concurrentes mejora la eficiencia de los recursos del sistema. Los ejercicios realizados evidencian la importancia de la programación paralela en aplicaciones que requieren procesamiento intensivo y ejecución de múltiples tareas.

Cargado por

gonzalomoreno300
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

UNIVERSIDAD PRIVADA DEL NORTE

FACULTAD DE INGENIERÍA

INGENIERÍA DE SISTEMAS COMPUTACIONALES

INTEGRANTES:

1. ESCATE TATAJE, ALEXANDER JESÚS (N00242930)


2. MORENO VILLALOBOS, GONZALO ALDAHIR (N00113052)
3. OLORTEGUI MEJIA, JEREMY LUIS ADOLFO (N00313354)
4. ROMAN ESCOBAR, EDGAR JEANPAUL (N00327232)
5. VERASTEGUI PILCO, JORDAN GIANCARLOS (N00357398)

DOCENTE: Dr. Ing. PUCUHUAYLA REVATTA, Felix Rogelio

San Juan de Lurigancho, 2025

PERÚ
LABORATORIO 13
Se realizo la instalación de “pip install gevent”
Código: ejemplo1_gevent_funciones()
En Spyder, se crea un archivo nuevo y se ejecuta ese código:

 Haz clic en el botón Play (triángulo verde) o presiona F5.

 Debería abrirse una ventana externa (cmd) y mostrar:

1. El código en mención es:


RESULTADO:

Se muestran mezclados, porque corren concurrentemente.

El orden puede variar (eso es normal en programación paralela).

El orden puede cambiar (paralelismo).

Los mensajes pueden mezclarse.


2. . Imagen de prueba: “ejemplo2”

RESULTADO:

Sale una sola línea.


Se ejecuta en un hilo (thread), no crea proceso.
3. . Imagen de prueba: “ejemplo3”

RESULTADO:

El orden de los “Procesando número” puede variar.


Los resultados SIEMPRE son [27, 64, 216].
4. . Imagen de prueba: “ejemplo4”

RESULTADO:

Los números cambian en cada PC.


Lo importante es que muestra 2 IDs diferentes.
5. . Imagen de prueba: “ejemplo5”

RESULTADO:
Se abre ventanita negra
Varias líneas de “valor:” mezcladas
Sonidos BEEP por cada proceso
6. . Imagen de prueba: “ejemplo6”

RESULTADO:

Salen 4 objetos (uno por URL).


El orden puede variar.
7. . Imagen de prueba: “ejemplo7”

RESULTADO:
Los procesos trabajan en paralelo
1 URL fallará (eso es normal, la guía lo indica)
Al final aparecerán archivos .html en tu carpeta de trabajo
8. . Imagen de prueba: “ejemplo8”
RESULTADOS:

Explicación:
CONCLUSIÓN FINAL:

El desarrollo del Laboratorio 13 permitió comprender de manera práctica cómo funciona


la programación paralela y concurrente en Python mediante el uso de librerías como
gevent, threading y multiprocessing. Se evidenció que la ejecución secuencial limita el
rendimiento cuando se manejan múltiples tareas, mientras que los procesos concurrentes y
paralelos permiten aprovechar de forma más eficiente los recursos del sistema,
especialmente los procesadores multinúcleo.

El uso de gevent permitió observar cómo varias funciones pueden alternar su ejecución
mediante corrutinas, logrando concurrencia sin necesidad de crear procesos completos. Por
otro lado, multiprocessing demostró la creación de procesos independientes, cada uno con
su propio espacio de memoria, lo cual evita las restricciones del Global Interpreter Lock
(GIL) y permite un paralelismo real. Herramientas como Pool, ThreadPool y Queue
facilitaron la distribución de tareas, la coordinación entre procesos y el manejo eficiente de
múltiples agentes trabajando simultáneamente.

En conjunto, los ejercicios realizados muestran que la programación paralela es


fundamental para aplicaciones que requieren procesamiento intensivo, descargas
simultáneas, análisis en tiempo real o ejecución de múltiples tareas autónomas. Este
laboratorio no solo permitió reforzar conceptos teóricos, sino que también brindó
habilidades prácticas para diseñar sistemas más rápidos, escalables y eficientes.

También podría gustarte