wsbuilder

wsbuilder es una libreria Python para construir servidores HTTP, WebSocket y utilidades de infraestructura en un unico paquete.

Se apoya en la biblioteca estandar y expone bloques pequenos y composables para:

• routing HTTP y respuestas tipadas.
• WebSocket de bajo nivel con control de frames.
• ORM ligero para SQLite.
• cache, seguridad, metricas y tareas en background.
• DNS local y replicas SQLite optimizadas.

Mapa rapido

Por que destaca

• Menos superficie de dependencia en runtime.
• Flujo explicito: request, dispatch, respuesta y cierre.
• Modulos separados que puedes activar solo cuando los necesitas.
• API publica uniforme: App, Response, Database, TaskManager, LocalDNSServer.
• Adecuado para servicios pequenos, medianos y capas de borde en Microservicios.

Instalacion

python -m pip install -e .

Inicio rapido

from wsbuilder import App, Response

app = App(cors_allow_origin="*")
app.enable_metrics()

@app.view("/")
def home(_request):
    return Response.html("<h1>wsbuilder</h1>")

@app.api("/api/health")
def health(_request):
    return {"ok": True}

app.run("0.0.0.0", 8765)

Mapa de la libreria

• wsbuilder.framework: fachada publica con App, Request, Response, HTTPServer, WebSocket y helpers.
• wsbuilder.http: parseo HTTP, request/response y streaming.
• wsbuilder.ws: handshake, frames y errores WebSocket.
• wsbuilder.orm: modelos SQLite, QuerySet, transacciones y helpers SQL.
• wsbuilder.cache y wsbuilder.caches: cache en memoria y cache declarativa de respuestas.
• wsbuilder.security: ACL, rate limiting y decision engine.
• wsbuilder.metrics: snapshot y stream de observabilidad.
• wsbuilder.tasks: trabajo asincrono controlado por TaskManager.
• wsbuilder.dns: servidor DNS UDP local.
• wsbuilder.db_replicas: lectura optimizada y pool de replicas SQLite.
• wsbuilder.cookies y wsbuilder.headers: utilidades HTTP de bajo nivel.
• wsbuilder.ia: redes neuronales basicas desde cero, con clasificacion, prediccion y estadistica.
• wsbuilder.predicts: utilidad matematica Predictor.

Casos de uso

1. APIs REST pequenas con respuestas JSON y HTML.
2. Chat, notificaciones y telemetria sobre WebSocket.
3. Persistencia local con SQLite y modelo declarativo.
4. Cache de rutas o contenido calculado.
5. Control de acceso, bloqueo temporal y observabilidad interna.
6. Procesos de background y lectura optimizada sobre SQLite.

IA desde cero

wsbuilder.ia incluye tres bloques:

• DataSet para manejar datos, dividir conjuntos, mezclar y calcular estadistica por columna.
• NeuralNetwork y DenseLayer para regresion y clasificacion.
• describe_data y evaluate_errors para desviacion, incertidumbre y error maximo permisible.

Regresion

from wsbuilder import NeuralNetwork

X = [[0.0], [1.0], [2.0], [3.0]]
Y = [[0.0], [1.0], [2.0], [3.0]]

net = NeuralNetwork(seed=7, learning_rate=0.1, loss="mse")
net.add_dense(4, input_size=1, activation="tanh")
net.add_dense(1, activation="linear")

net.fit(X, Y, epochs=2000, batch_size=4)

prediction = net.predict([1.5])
report = net.predict_with_metrics([1.5], expected=[1.5], permissible_error=0.25)

Clasificacion

from wsbuilder import NeuralNetwork

X = [[0, 0], [0, 1], [1, 0], [1, 1]]
labels = ["no", "yes", "yes", "yes"]

clf = NeuralNetwork(seed=3, learning_rate=0.3, loss="binary_cross_entropy", task="classification")
clf.add_dense(6, input_size=2, activation="tanh")
clf.add_dense(1, activation="sigmoid")

clf.fit_classification(X, labels, epochs=3000, batch_size=4)
label = clf.predict_class([1, 0])
probability = clf.predict_proba([1, 0])
accuracy = clf.accuracy(X, labels)

Manejo de datos

from wsbuilder.ia import DataSet, describe_data, evaluate_errors

dataset = DataSet([[1, 2], [2, 3], [3, 4]], [[0], [1], [1]])
train, test = dataset.split(train_ratio=0.67, shuffle=True, seed=42)
stats = dataset.describe_features()
errors = evaluate_errors([10.0, 11.0], [9.8, 11.4], permissible_error=0.5)
summary = describe_data([1.0, 1.2, 0.9, 1.1])

Entrenamiento en background con Tasks

from wsbuilder import NeuralNetwork, TaskManager, submit_training_task

X = [[0, 0], [0, 1], [1, 0], [1, 1]]
labels = ["no", "yes", "yes", "yes"]

clf = NeuralNetwork(seed=3, learning_rate=0.3, loss="binary_cross_entropy", task="classification")
clf.add_dense(6, input_size=2, activation="tanh")
clf.add_dense(1, activation="sigmoid")

tasks = TaskManager(max_concurrent=1)
task = submit_training_task(
    tasks,
    clf,
    X,
    labels,
    classification=True,
    epochs=3000,
    batch_size=4,
    shuffle=False,
)

history = task.get()
label = clf.predict_class([1, 0])

Documentacion

• Inicio
• Arquitectura
• Ayuda
• Referencia

Contribucion y soporte

• Crea ramas desde main usando feat/<nombre> o fix/<nombre>.
• Mantiene los cambios enfocados en un solo tema por PR.
• Abre el pull request hacia main con una descripcion corta y notas de riesgo.
• Si encuentras un problema de seguridad, reportalo de forma privada.

Soporte opcional

Si wsbuilder te resulta util y quieres apoyar el mantenimiento del proyecto, puedes donar en BTC:

bc1q3lhxpr9yantvefmvhpd2h4lu0ykf3t45zvuve2

Red: BTC mainnet (Native SegWit).