TypeScript como pegamento: integración con Python, C++ y Go

¿Por qué TypeScript no vive en el vacío?

Cuando escribimos en TypeScript, nos acostumbramos a su rigor, autocompletado y genéricos. Pero tarde o temprano, todo desarrollador se enfrenta a la pregunta: "¿Y si necesito llamar código en Python, C++ o Go?". ¿Acaso hay que reescribir todo el proyecto?

La buena noticia: TypeScript no es una isla aislada. Sabe cómo llevarse bien con otros lenguajes a través de módulos nativos, WebAssembly, gRPC e incluso puentes HTTP comunes. En este artículo, analizaremos tres escenarios reales de integración de TypeScript con otros lenguajes. Aprenderá cómo unir el frontend, el backend y la computación de alto rendimiento en una sola pila.

Escenario 1: TypeScript + Python — ciencia de datos con esteroides

Python es el rey del aprendizaje automático y el análisis de datos. Pero su debilidad son las interfaces web. TypeScript, por el contrario, funciona de manera brillante en el navegador y en el servidor. Es lógico combinar sus fuerzas.

Método A: Microservicio HTTP (el más simple)

La forma más obvia es iniciar un servidor Python (por ejemplo, FastAPI) y llamarlo desde TypeScript mediante fetch.

Python (backend.py):

from fastapi import FastAPI\nfrom pydantic import BaseModel\nimport joblib\n\napp = FastAPI()\nmodel = joblib.load('model.pkl')\n\nclass InputData(BaseModel):\n    features: list[float]\n\n@app.post("/predict")\ndef predict(data: InputData):\n    result = model.predict([data.features])\n    return {"prediction": result.tolist()}\n

TypeScript (frontend.ts):

interface PredictionResponse {\n    prediction: number[];\n}\n\nasync function getPrediction(features: number[]): Promise<number[]> {\n    const response = await fetch('http://localhost:8000/predict', {\n        method: 'POST',\n        headers: { 'Content-Type': 'application/json' },\n        body: JSON.stringify({ features })\n    });\n    \n    if (!response.ok) throw new Error('Error de predicción');\n    \n    const data: PredictionResponse = await response.json();\n    return data.prediction;\n}\n\n// Uso\ngetPrediction([1.2, 3.4, 5.6])\n    .then(pred => console.log('Resultado:', pred))\n    .catch(err => console.error(err));\n

Método B: Scripts de Python mediante child_process (para backend)

Si no necesita un servidor separado, puede ejecutar Python directamente desde Node.js. Esto es útil para tareas puntuales: procesamiento de imágenes, generación de informes.

import { exec } from 'child_process';\nimport { promisify } from 'util';\n\nconst execPromise = promisify(exec);\n\nasync function runPythonScript(scriptPath: string, args: string[]): Promise<string> {\n    const command = `python3 ${scriptPath} ${args.join(' ')}`;\n    const { stdout, stderr } = await execPromise(command);\n    \n    if (stderr) throw new Error(`Error de Python: ${stderr}`);\n    return stdout.trim();\n}\n\n// Ejemplo: pasamos JSON a Python\nconst result = await runPythonScript('./analyze.py', ['--data', '{"value": 42}']);\nconsole.log('Python respondió:', result);\n

Importante: este enfoque es más lento que un microservicio, pero no requiere configurar un servidor separado. Es adecuado para prototipos y CI/CD.

Escenario 2: TypeScript + C++ — velocidad al límite de la fantasía

Cuando se necesita procesar video, audio o criptografía, Python puede no ser suficiente. Aquí entra en juego C++ y su poderoso aliado: WebAssembly (WASM).

Compilación de C++ a WASM y llamada desde TypeScript

Supongamos que tenemos una función simple en C++ que acelera la multiplicación de matrices:

// matrix.cpp\nextern "C" {\n    void multiply_matrices(float* a, float* b, float* result, int size) {\n        for (int i = 0; i < size; i++) {\n            for (int j = 0; j < size; j++) {\n                float sum = 0.0f;\n                for (int k = 0; k < size; k++) {\n                    sum += a[i * size + k] * b[k * size + j];\n