Vol. 9 (2025): Publicación continua
Artículos

Integración de microservicios con Laravel, Python y Django para la enseñanza del procesamiento de datos

PDF
  • José de Jesús Solorzano Rangel,
  • Mariana Carolyn Cruz-Mendoza,
  • César Primero-Huerta
José de Jesús Solorzano Rangel
Tecnológico Nacional de México-Tecnológico de Estudios Superiores de Valle de Bravo, Estado de México
Biografía
Mariana Carolyn Cruz-Mendoza
Tecnológico Nacional de México - Valle de Bravo
Biografía
César Primero-Huerta
Tecnológico de Estudios Superiores de Valle de Bravo
Biografía
Portada-9
DOI: https://doi.org/10.33010/recie.v9i0.2460

Publicado 2025-06-13

Palabras clave

  • information access,
  • algorithm,
  • information processing
  • acceso a la información,
  • algoritmo,
  • procesamiento de la información

Cómo citar

Solorzano Rangel, J. de J., Cruz-Mendoza, M. C., & Primero-Huerta, C. (2025). Integración de microservicios con Laravel, Python y Django para la enseñanza del procesamiento de datos. RECIE. Revista Electrónica Científica De Investigación Educativa, 9, e2460. https://doi.org/10.33010/recie.v9i0.2460

Derechos de autor 2025

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Resumen

Este artículo muestra cómo integrar diversas tecnologías en un entorno educativo para facilitar la enseñanza del procesamiento de datos mediante el uso de microservicios. El proyecto emplea Laravel, Alpine.js y Django para la gestión de datos y su transformación mediante microservicios. La implementación de una arquitectura basada en microservicios permite dividir la aplicación en componentes manejables, lo que no solo mejora la escalabilidad y el mantenimiento del sistema sino que también ofrece un modelo práctico para que los estudiantes comprendan estas tecnologías. Se desarrolló un prototipo siguiendo la metodología de prototipo, lo que permitió un diseño iterativo del sistema con un enfoque en la enseñanza de conceptos clave, como la carga de datos, homogenización de categorías, eliminación de duplicados y transformación de variables categóricas. Las evaluaciones de rendimiento indican tiempos de respuesta satisfactorios al procesar datos numéricos con conjuntos de datos pequeños, mientras que se identificaron áreas de mejora al manejar grandes volúmenes de datos categóricos. Este enfoque educativo busca reducir la brecha de habilidades técnicas en estudiantes interesados en el aprendizaje automático y el procesamiento de datos.

PDF

Citas

  1. Amarulloh, A., Kurniasih, K., y Muchlis, M. (2023). Analisis perbandingan performa web service rest menggunakan framework Laravel, Django, dan node js pada aplikasi berbasis website. Jurnal Teknik Informatika, 9(1), 14-19. https://ejournal.antarbangsa.ac.id/jti/article/view/515
  2. Aude, J. S., Paiva, E. B. M. O., Aude, E. P. L., Filho, E. P. L., Martins, M. F., y Pinto, S. B. (1988). Acelerador modular para roteamento. En International Symposium on Computer Architecture and High Performance Computing (SBAC-PAD), 2 (pp. 90-97). https://doi.org/10.5753/sbac-pad.1988.23523
  3. Chapkovski, P., y Kujansuu, E. (2019). Real-time interactions in oTree using Django Channels: Auctions and real effort tasks. Journal of Behavioral and Experimental Finance, 23, 114-123. https://doi.org/https://doi.org/10.1016/j.jbef.2019.05.008
  4. De Luca, V., Epicoco, I., Lezzi, D., y Aloisio, G. (2011). A web API framework for developing grid portals. Procedia Computer Science, 4, 392-401. https://doi.org/10.1016/j.procs.2011.04.041
  5. Ekholm, E. (2024). Review of HTML-oriented state managers for web development [Tesis de grado, Aalto University]. https://urn.fi/URN:NBN:fi:aalto-202405283848
  6. Felício, D., Simão, J., y Datia, N. (2023). RapiTest: Continuous black-box testing of RESTful Web APIs. Procedia Computer Science, 219, 537-545. https://doi.org/10.1016/j.procs.2023.01.322
  7. Fortin, M., Lavoie, J.-F., Régnière, J., y Saint-Amant, R. (2022). A Web API for weather generation and pest development simulation in North America. Environmental Modelling & Software, 157, 105476. https://doi.org/https://doi.org/10.1016/j.envsoft.2022.105476
  8. Gopalakrishnan, V., y Ramaswamy, C. (2017). Patient opinion mining to analyze drugs satisfaction using supervised learning. Journal of Applied Research and Technology, 15(4), 311-319. https://doi.org/10.1016/j.jart.2017.02.005
  9. Harris, C. (2020). Arquitectura de microservicios. Atlassian. https://www.atlassian.com/es/microservices/microservices-architecture
  10. Kaplarevic, V. (2023, dic. 20). 7 ways to reduce server response time. PhoenixNAP. https://phoenixnap.com/kb/reduce-server-response-time
  11. Laaziri, M., Benmoussa, K., Khoulji, S., y Kerkeb, M. L. (2019). A comparative study of PHP frameworks performance. Procedia Manufacturing, 32, 864-871. https://doi.org/https://doi.org/10.1016/j.promfg.2019.02.295
  12. Leipzig, J. (2017). A review of bioinformatic pipeline frameworks. Briefings in Bioinformatics, 18(3), 530-536. https://doi.org/10.1093/bib/bbw020
  13. Markert, K. N., da Silva, G., Ames, D. P., Maghami, I., Williams, G. P., Nelson, E. J., Halgren, J., Patel, A., Santos, A., y Ames, M. J. (2024). Design and implementation of a BigQuery dataset and application programmer interface (API) for the U.S. National Water Model. Environmental Modelling and Software, 179, 106123. https://doi.org/10.1016/j.envsoft.2024.106123
  14. Mustapha, A., Abdellah, K., Mohamed, L., Khalid, L., Hamid, H., y Ali, K. (2023). DLDiagnosis: A mobile and web application for diseases classification using Deep Learning. SoftwareX, 23, 101488. https://doi.org/10.1016/j.softx.2023.101488
  15. Pilario, K. E. (2024). Teaching classical machine learning as a graduate-level course in chemical engineering: An algorithmic approach. Digital Chemical Engineering, 11, 100163. https://doi.org/https://doi.org/10.1016/j.dche.2024.100163
  16. Prasai, R., Schwertner, T. W., Mainali, K., Mathewson, H., Kafley, H., Thapa, S., Adhikari, D., Medley, P., y Drake, J. (2021). Application of Google earth engine python API and NAIP imagery for land use and land cover classification: A case study in Florida, USA. Ecological Informatics, 66, 101474. https://doi.org/https://doi.org/10.1016/j.ecoinf.2021.101474
  17. Pujadas, R., Valderrama, E., y Venters, W. (2024). The value and structuring role of web APIs in digital innovation ecosystems: The case of the online travel ecosystem. Research Policy, 53(2), 104931. https://doi.org/10.1016/j.respol.2023.104931
  18. Rojas, J., Gamboa-Cruzado, J., y de la Cruz, P. (2023). Systematic literature review on machine learning and its impact on APIs deployment. Computacion y Sistemas, 27(4), 1107-1124. https://doi.org/10.13053/CyS-27-4-4371