4. Modelo de ejecución
**********************


4.1. Estructura de un programa
==============================

Un programa de Python se construye a partir de bloques de código. Un
*block* es una parte del texto del programa Python que se ejecuta como
una unidad. Los siguientes son bloques: un módulo, un cuerpo de
función y una definición de clase. Cada comando escrito de forma
interactiva es un bloque. Un archivo de secuencia de comandos (un
archivo proporcionado como entrada estándar al intérprete o
especificado como un argumento de línea de comando para el intérprete)
es un bloque de código. Un comando de secuencia de comandos (un
comando especificado en la línea de comandos del intérprete con la
opción: "-c") es un bloque de código. Un módulo que se ejecuta como un
script de nivel superior (como módulo "__main__") desde la línea de
comando usando un argumento "-m" también es un bloque de código. El
argumento de cadena pasado a las funciones integradas "eval()" y
"exec()" es un bloque de código.

Un bloque de código se ejecuta en un *execution frame*. Un marco
contiene alguna información administrativa (que se usa para
depuración) y determina dónde y cómo continuará la ejecución una vez
que el bloque de código se haya completado.


4.2. Nombres y vínculos
=======================


4.2.1. Vinculación de nombres
-----------------------------

Los *Names* refieren a objetos. Los nombres se introducen por las
operaciones de vinculación de nombre (*name binding operations*).

Las siguientes construcciones enlazan nombres:

* parámetros formales de las funciones,

* definiciones de clase,

* definiciones de funciones,

* expresiones de asignación,

* targets que son identificadores si aparecen en una asignación:

  * cabecera del bucle "for",

  * después de "as" en una declaración "with", cláusula "except",
    cláusula "except*", o en el patrón as en la concordancia de
    patrones estructurales,

  * en un patrón de captura en la concordancia de patrones
    estructurales

* declaraciones "import".

* declaraciones "type".

* listas tipo de parámetros.

La declaración "import" de la forma "from ... import *" vincula todos
los nombres definidos en el módulo importado, excepto los que empiezan
por guión bajo. Esta forma sólo puede utilizarse a nivel de módulo.

Un objetivo que aparece en una sentencia "del" también se considera
vinculado para este propósito (aunque la semántica real es desvincular
el nombre).

Cada declaración de asignación o importación ocurre dentro de un
bloque determinado por una definición de clase o de función, o a nivel
de módulo (el bloque de código de máximo nivel).

If a name is bound in a block, it is a local variable of that block,
unless declared as "nonlocal" or "global".  If a name is bound at the
module level, it is a global variable.  (The variables of the module
code block are local and global.)  If a variable is used in a code
block but not defined there, it is a *free variable*.

Cada ocurrencia de un nombre en el texto del programa se refiere al
*binding* de ese nombre, establecido por las siguientes reglas de
resolución de nombres.


4.2.2. Resolución de nombres
----------------------------

Un *scope* define la visibilidad de un nombre en un bloque. Si una
variable local se define en un bloque, su ámbito incluye ese bloque.
Si la definición ocurre en un bloque de función, el ámbito se extiende
a cualquier bloque contenido en el bloque en donde está la definición,
a menos que uno de los bloques contenidos introduzca un vínculo
diferente para el nombre.

Cuando un nombre es utilizado en un bloque de código, se resuelve
utilizando el ámbito de cierre más cercano. El conjunto de todos esos
ámbitos visibles para un bloque de código se llama el *environment*
del bloque.

Cuando un nombre no se encuentra, se lanza una excepción "NameError".
Si el ámbito actual es una función, y el nombre se refiere a una
variable local que todavía no ha sido vinculada a un valor en el punto
en el que nombre es utilizado, se lanza una excepción
"UnboundLocalError". "UnboundLocalError" es una subclase de
"NameError".

Si una operación de vinculación de nombre ocurre en cualquier parte
dentro de un bloque de código, todos los usos del nombre dentro de ese
bloque son tratados como referencias al bloque actual. Esto puede
llevar a errores cuando el nombre es utilizado dentro del bloque antes
de su vinculación. Esta regla es sutil. Python carece de declaraciones
y permite que las operaciones de vinculación de nombres ocurran en
cualquier lugar dentro del bloque de código. Las variables locales de
un bloque de código pueden determinarse buscando operaciones de
vinculación de nombres en el texto completo del bloque. Ver la entrada
del FAQ sobre UnboundLocalError para ejemplos.

Si la declaración "global" ocurre dentro de un bloque, todos los usos
del nombre especificado en la declaración se refieren a la vinculación
que ese nombre tiene en el espacio de nombres (*namespace*) de nivel
superior. Los nombres se resuelven en el espacio de nombres de nivel
superior buscando en el espacio de nombres global, es decir, el
espacio de nombres del módulo que contiene el bloque de código, y en
el espacio de nombres incorporado, el *namespace* del módulo
"builtins". La búsqueda se realiza primero en el espacio de nombres
global. Si el nombre no se encuentra ahí, se busca en el espacio de
nombres incorporado (*builtins namespace*) próximamente. Si tampoco se
encuentran los nombres en el espacio de nombres incorporado, se crean
variables nuevas en el espacio de nombres global. La declaración
global debe preceder a todos los usos de los nombres listados.

La declaración "global" tiene el mismo ámbito que una operación de
vinculación de nombre en el mismo bloque. Si el ámbito de cierre más
cercano para una variable libre contiene una declaración global, se
trata a la variable libre como global.

La declaración "nonlocal" causa que los nombre correspondientes se
refieran a variables previamente vinculadas en el ámbito de la función
de cierre más cercano. Se lanza un "SyntaxError" en tiempo de
compilación si el nombre dado no existe en ningún ámbito de las
funciones dentro de las cuales está. Parámetros de tipo no puede
recuperarse con la sentencia "nonlocal".

El espacio de nombres (*namespace*) para un módulo se crea
automáticamente la primera vez que se importa el módulo. El módulo
principal de un *script* siempre se llama "__main__".

Los bloques de definición de clase y los argumentos para "exec()" y
"eval()" son especiales en el contexto de la resolución de nombres.
Una definición de clase es una declaración ejecutable que puede usar y
definir nombres. Estas referencias siguen las reglas normales para la
resolución de nombres con la excepción de que se buscan las variables
locales no vinculadas en el espacio de nombres global. El espacio de
nombres de la definición de clase se vuelve el diccionario de
atributos de la clase. El ámbito de nombres definido en un bloque de
clase está limitado a dicho bloque; no se extiende a los bloques de
código de los métodos. Esto incluye las comprensiones y las
expresiones generadoras pero no incluye annotation scopes, que tienen
acceso a sus ámbitos de clase adjuntos. Esto significa que lo
siguiente fallará:

   class A:
       a = 42
       b = list(a + i for i in range(10))

Sin embargo. lo siguiente tendrá éxito:

   class A:
       type Alias = Nested
       class Nested: pass

   print(A.Alias.__value__)  # <type 'A.Nested'>


4.2.3. Ámbitos de anotación
---------------------------

*Annotations*, type parameter lists and "type" statements introduce
*annotation scopes*, which behave mostly like function scopes, but
with some exceptions discussed below.

Los ámbitos de anotación se utilizan en los siguientes contextos:

* *Function annotations*.

* *Variable annotations*.

* Listas de tipo de parámetros para generic type aliases.

* Escriba listas de parámetros para generic functions. Las anotaciones
  de una función genérica se ejecutan dentro del alcance de la
  anotación, pero sus valores predeterminados y decoradores no.

* Tipo de parámetros de listas para generic classes. Las clases base y
  los argumentos de palabra clave de una clase genérica se ejecutan
  dentro del ámbito de la anotación, pero sus decoradores no.

* Los límites, restricciones y valores predeterminados para los
  parámetros de tipo (evaluados de forma diferida).

* El valor de los alias de tipo (lazy evaluated).

Los ámbitos de anotación difieren de los ámbitos de función en lo
siguiente:

* Los ámbitos de anotación tienen acceso al espacio de nombres de la
  clase que los rodea. Si un ámbito de anotación está inmediatamente
  dentro de un ámbito de clase, o dentro de otro ámbito de anotación
  que está inmediatamente dentro de un ámbito de clase, el código en
  el ámbito de anotación puede utilizar nombres definidos en el ámbito
  de clase como si se ejecutara directamente dentro del cuerpo de la
  clase. Esto contrasta con las funciones normales definidas dentro de
  las clases, que no pueden acceder a los nombres definidos en el
  ámbito de la clase.

* Las expresiones en ámbitos de anotación no pueden contener
  expresiones "yield", "yield from", "await", o ":=". (Estas
  expresiones están permitidas en otros ámbitos contenidos dentro del
  ámbito de la anotación).

* Los nombres definidos en ámbitos de anotación no pueden recuperarse
  con sentencias "nonlocal" en ámbitos internos. Esto incluye sólo
  parámetros de tipo, ya que ningún otro elemento sintáctico que pueda
  aparecer dentro de ámbitos de anotación puede introducir nuevos
  nombres.

* Aunque los ámbitos de anotación tienen un nombre interno, ese nombre
  no se refleja en el *qualified name* de los objetos definidos dentro
  del ámbito. En su lugar, el "__qualname__" de dichos objetos es como
  si el objeto estuviera definido en el ámbito que lo encierra.

Added in version 3.12: Los ámbitos de anotación se introdujeron en
Python 3.12 como parte de **PEP 695**.

Distinto en la versión 3.13: También se usan ámbitos de anotación para
parámetros de tipo predeterminados, introducido por **PEP 696**.

Distinto en la versión 3.14: Annotation scopes are now also used for
annotations, as specified in **PEP 649** and **PEP 749**.


4.2.4. Evaluación perezosa
--------------------------

Most annotation scopes are *lazily evaluated*. This includes
annotations, the values of type aliases created through the "type"
statement, and the bounds, constraints, and default values of type
variables created through the type parameter syntax. This means that
they are not evaluated when the type alias or type variable is
created, or when the object carrying annotations is created. Instead,
they are only evaluated when necessary, for example when the
"__value__" attribute on a type alias is accessed.

Ejemplo:

   >>> type Alias = 1/0
   >>> Alias.__value__
   Traceback (most recent call last):
     ...
   ZeroDivisionError: division by zero
   >>> def func[T: 1/0](): pass
   >>> T = func.__type_params__[0]
   >>> T.__bound__
   Traceback (most recent call last):
     ...
   ZeroDivisionError: division by zero

Aquí la excepción se lanza sólo cuando se accede al atributo
"__value__" del alias de tipo o al atributo "__bound__" de la variable
de tipo.

Este comportamiento es útil principalmente para referencias a tipos
que aún no se han definido cuando se crea el alias de tipo o la
variable de tipo. Por ejemplo, la evaluación perezosa permite la
creación de alias de tipo mutuamente recursivos:

   from typing import Literal

   type SimpleExpr = int | Parenthesized
   type Parenthesized = tuple[Literal["("], Expr, Literal[")"]]
   type Expr = SimpleExpr | tuple[SimpleExpr, Literal["+", "-"], Expr]

Los valores evaluados perezosamente se evalúan en annotation scope, lo
que significa que los nombres que aparecen dentro del valor evaluado
se buscan como si se utilizaran en el ámbito inmediatamente adyacente.

Added in version 3.12.


4.2.5. Integraciones y ejecución restringida
--------------------------------------------

Los usuarios no deberían tocar "__builtins__"; es un detalle de la
implementación en sentido estricto. Los usuarios que quieran
sobreescribir valores en los espacios de nombres incorporados deberían
usar "import" con el módulo "builtins" y modificar sus atributos de un
modo adecuado.

El espacio de nombres incorporado (*builtin namespace*) asociado a la
ejecución de un bloque de código es encontrado buscando el nombre
"__builtins__" en su espacio de nombres global; debería ser un
diccionario o un módulo (en este último caso, se usa el diccionario
del módulo). Por defecto, en el módulo "__main__", "__builtins__" es
el módulo "builtins". En cualquier otro módulo,  "__builtins__" es un
alias para el diccionario del propio módulo "builtins".


4.2.6. Interacción con funcionalidades dinámicas
------------------------------------------------

La resolución de variables libres sucede en tiempo de ejecución, no en
tiempo de compilación. Esto significa que el siguiente código va a
mostrar 42:

   i = 10
   def f():
       print(i)
   i = 42
   f()

Las funciones "eval()" y "exec()" no tienen acceso al entorno completo
para resolver nombres. Los nombres pueden resolverse en los espacios
de nombres locales y globales de la persona que llama. Las variables
libres no se resuelven en el espacio de nombres adjunto más cercano,
sino en el espacio de nombres global. [1] Las funciones "exec()" y
"eval()" tienen argumentos opcionales para anular el espacio de
nombres global y local. Si solo se especifica un espacio de nombres,
se usa para ambos.


4.3. Excepciones
================

Las excepciones son un medio para salir del flujo de control normal de
un bloque de código, para gestionar errores u otras condiciones
excepcionales. Una excepción es *lanzada* (*raised*) en el momento en
que se detecta el error; puede ser *gestionada* (*handled*) por el
bloque de código que la rodea o por cualquier bloque de código que
directa o indirectamente ha invocado al bloque de código en el que
ocurrió el error.

El intérprete Python lanza una excepción cuando detecta un error en
tiempo de ejecución (como una división por cero). Un programa Python
también puede lanzar una excepción explícitamente, con la declaración
"raise". Los gestores de excepciones se especifican con la declaración
"try" ... "except". La cláusula "finally" de tales declaraciones puede
utilizarse para especificar código de limpieza que no es el que
gestiona la excepción, sino que se ejecutará en cualquier caso, tanto
cuando la excepción ha ocurrido en el código que la precede, como
cuando esto no ha sucedido.

Python usa el modelo de gestión de errores de "terminación"
("*termination*"): un gestor de excepción puede descubrir qué sucedió
y continuar la ejecución en un nivel exterior, pero no puede reparar
la causa del error y reintentar la operación que ha fallado (excepto
que se reingrese al trozo de código fallido desde su inicio).

Cuando una excepción no está gestionada en absoluto, el intérprete
termina la ejecución del programa, o retorna a su bucle principal
interactivo. En cualquier caso, imprime un seguimiento de pila,
excepto cuando la excepción es "SystemExit".

Las excepciones se identifican mediante instancias de clase.  La
cláusula "except" se selecciona en función de la clase de la
instancia: debe hacer referencia a la clase de la instancia o a un
*non-virtual base class* de la misma. La instancia puede ser recibida
por el manejador y puede llevar información adicional sobre la
condición excepcional.

Nota:

  Los mensajes de excepción no forman parte de la API Python. Su
  contenido puede cambiar entre una versión de Python y la siguiente
  sin ningún tipo de advertencia; el código que corre bajo múltiples
  versiones del intérprete no debería basarse en estos mensajes.

Mira también la descripción de la declaración "try" en la sección La
sentencia try, y la declaración "raise" en la sección La declaración
raise.


4.4. Runtime Components
=======================


4.4.1. General Computing Model
------------------------------

Python's execution model does not operate in a vacuum.  It runs on a
host machine and through that host's runtime environment, including
its operating system (OS), if there is one.  When a program runs, the
conceptual layers of how it runs on the host look something like this:

      **host machine**
         **process** (global resources)
            **thread** (runs machine code)

Each process represents a program running on the host.  Think of each
process itself as the data part of its program.  Think of the process'
threads as the execution part of the program.  This distinction will
be important to understand the conceptual Python runtime.

The process, as the data part, is the execution context in which the
program runs.  It mostly consists of the set of resources assigned to
the program by the host, including memory, signals, file handles,
sockets, and environment variables.

Processes are isolated and independent from one another.  (The same is
true for hosts.)  The host manages the process' access to its assigned
resources, in addition to coordinating between processes.

Each thread represents the actual execution of the program's machine
code, running relative to the resources assigned to the program's
process.  It's strictly up to the host how and when that execution
takes place.

From the point of view of Python, a program always starts with exactly
one thread.  However, the program may grow to run in multiple
simultaneous threads.  Not all hosts support multiple threads per
process, but most do.  Unlike processes, threads in a process are not
isolated and independent from one another.  Specifically, all threads
in a process share all of the process' resources.

The fundamental point of threads is that each one does *run*
independently, at the same time as the others.  That may be only
conceptually at the same time ("concurrently") or physically ("in
parallel").  Either way, the threads effectively run at a non-
synchronized rate.

Nota:

  That non-synchronized rate means none of the process' memory is
  guaranteed to stay consistent for the code running in any given
  thread.  Thus multi-threaded programs must take care to coordinate
  access to intentionally shared resources.  Likewise, they must take
  care to be absolutely diligent about not accessing any *other*
  resources in multiple threads; otherwise two threads running at the
  same time might accidentally interfere with each other's use of some
  shared data.  All this is true for both Python programs and the
  Python runtime.The cost of this broad, unstructured requirement is
  the tradeoff for the kind of raw concurrency that threads provide.
  The alternative to the required discipline generally means dealing
  with non-deterministic bugs and data corruption.


4.4.2. Python Runtime Model
---------------------------

The same conceptual layers apply to each Python program, with some
extra data layers specific to Python:

      **host machine**
         **process** (global resources)
            Python global runtime (*state*)
               Python interpreter (*state*)
                  **thread** (runs Python bytecode and "C-API")
                     Python thread *state*

At the conceptual level: when a Python program starts, it looks
exactly like that diagram, with one of each.  The runtime may grow to
include multiple interpreters, and each interpreter may grow to
include multiple thread states.

Nota:

  A Python implementation won't necessarily implement the runtime
  layers distinctly or even concretely.  The only exception is places
  where distinct layers are directly specified or exposed to users,
  like through the "threading" module.

Nota:

  The initial interpreter is typically called the "main" interpreter.
  Some Python implementations, like CPython, assign special roles to
  the main interpreter.Likewise, the host thread where the runtime was
  initialized is known as the "main" thread.  It may be different from
  the process' initial thread, though they are often the same.  In
  some cases "main thread" may be even more specific and refer to the
  initial thread state. A Python runtime might assign specific
  responsibilities to the main thread, such as handling signals.

As a whole, the Python runtime consists of the global runtime state,
interpreters, and thread states.  The runtime ensures all that state
stays consistent over its lifetime, particularly when used with
multiple host threads.

The global runtime, at the conceptual level, is just a set of
interpreters.  While those interpreters are otherwise isolated and
independent from one another, they may share some data or other
resources.  The runtime is responsible for managing these global
resources safely.  The actual nature and management of these resources
is implementation-specific.  Ultimately, the external utility of the
global runtime is limited to managing interpreters.

In contrast, an "interpreter" is conceptually what we would normally
think of as the (full-featured) "Python runtime".  When machine code
executing in a host thread interacts with the Python runtime, it calls
into Python in the context of a specific interpreter.

Nota:

  The term "interpreter" here is not the same as the "bytecode
  interpreter", which is what regularly runs in threads, executing
  compiled Python code.In an ideal world, "Python runtime" would refer
  to what we currently call "interpreter".  However, it's been called
  "interpreter" at least since introduced in 1997 (CPython:a027efa5b).

Each interpreter completely encapsulates all of the non-process-
global, non-thread-specific state needed for the Python runtime to
work. Notably, the interpreter's state persists between uses.  It
includes fundamental data like "sys.modules".  The runtime ensures
multiple threads using the same interpreter will safely share it
between them.

A Python implementation may support using multiple interpreters at the
same time in the same process.  They are independent and isolated from
one another.  For example, each interpreter has its own "sys.modules".

For thread-specific runtime state, each interpreter has a set of
thread states, which it manages, in the same way the global runtime
contains a set of interpreters.  It can have thread states for as many
host threads as it needs.  It may even have multiple thread states for
the same host thread, though that isn't as common.

Each thread state, conceptually, has all the thread-specific runtime
data an interpreter needs to operate in one host thread.  The thread
state includes the current raised exception and the thread's Python
call stack.  It may include other thread-specific resources.

Nota:

  The term "Python thread" can sometimes refer to a thread state, but
  normally it means a thread created using the "threading" module.

Each thread state, over its lifetime, is always tied to exactly one
interpreter and exactly one host thread.  It will only ever be used in
that thread and with that interpreter.

Multiple thread states may be tied to the same host thread, whether
for different interpreters or even the same interpreter.  However, for
any given host thread, only one of the thread states tied to it can be
used by the thread at a time.

Thread states are isolated and independent from one another and don't
share any data, except for possibly sharing an interpreter and objects
or other resources belonging to that interpreter.

Once a program is running, new Python threads can be created using the
"threading" module (on platforms and Python implementations that
support threads).  Additional processes can be created using the "os",
"subprocess", and "multiprocessing" modules. Interpreters can be
created and used with the "interpreters" module.  Coroutines (async)
can be run using "asyncio" in each interpreter, typically only in a
single thread (often the main thread).

-[ Notas al pie ]-

[1] Esta limitación se da porque el código ejecutado por estas
    operaciones no está disponible en el momento en que se compila el
    módulo.
