fn_registry/python/functions/notebook/jupyter_exec.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
jupyter_exec	function	py	notebook	2.0.0	impure	jupyter_append_execute(notebook_path: str, code: str, server_url: str, token: str) -> dict	Ejecuta codigo en kernels de Jupyter via REST + WebSocket clasico al kernel. Tres modos: append (añade celda y ejecuta), cell (ejecuta celda existente), kernel (ejecuta sin tocar notebook). NO usa el canal colaborativo Y.js.	jupyter notebook kernel websocket execution cells				false	error_go_core	jupyter_kernel_client urllib json uuid	name desc notebook_path Ruta relativa al notebook name desc code Código a ejecutar name desc server_url URL del servidor Jupyter (default localhost:8888) name desc token Token de autenticación (default vacío)	Dict con cell_index y outputs del código ejecutado, o resultados del kernel	true	test_notebook_exists_uses_get_not_head test_notebook_exists_returns_false_on_404 test_create_notebook_skips_when_exists test_new_code_cell_has_required_fields test_extract_outputs_handles_streams_and_results e2e: test_e2e_append_executes_and_persists e2e: test_e2e_append_twice_increments_index e2e: test_e2e_cell_executes_existing e2e: test_e2e_kernel_mode	python/functions/notebook/tests/test_jupyter_exec.py	python/functions/notebook/jupyter_exec.py

Funciones

jupyter_append_execute(notebook_path, code, server_url, token)

Añade una celda de codigo al final del notebook, la ejecuta en el kernel y persiste celda + outputs a disco via REST /api/contents. Jupyter Lab detecta el cambio y lo refleja en el browser.

from notebook.jupyter_exec import jupyter_append_execute

result = jupyter_append_execute(
    "notebooks/analisis.ipynb",
    "import pandas as pd\nprint(pd.__version__)",
    server_url="http://localhost:8888",
    token="",
)
# {"cell_index": 5, "outputs": ["2.2.1"]}

jupyter_execute_cell(notebook_path, cell_index, server_url, token)

Ejecuta una celda existente por indice (0-based) y persiste sus outputs.

result = jupyter_execute_cell("notebooks/analisis.ipynb", 3)
# {"cell_index": 3, "outputs": ["42"]}

jupyter_kernel_execute(code, server_url, token)

Ejecuta codigo directo en el kernel sin tocar ningun notebook.

result = jupyter_kernel_execute("len(df)")
# {"outputs": ["1500"], "status": "ok"}

CLI

python -m notebook.jupyter_exec append notebooks/mi.ipynb "print('hola')"
python -m notebook.jupyter_exec cell notebooks/mi.ipynb 2
python -m notebook.jupyter_exec kernel "x = 42; print(x)"

Output siempre JSON. En error retorna {"error": "..."} por stderr con exit code 1.

Extraccion de outputs

output_type	campo leido
stream	text
display_data / execute_result	data.text/plain
error	traceback (joined con \n)

Notas (v2.0.0 — fix Issue 0050)

• Bypassa el canal colaborativo Y.js. Usa REST /api/contents para leer/escribir celdas y KernelClient (websocket clasico al kernel) para ejecutar. Robusto frente a versiones nuevas de jupyter-collaboration que rompian NbModelClient.
• Trade-off: las celdas/outputs se persisten a disco, no se sincronizan en tiempo real via Y.js. Jupyter Lab detecta el cambio en el filesystem y lo refleja (puede pedir 'Revert to disk' segun version).
• _notebook_exists usa GET /api/contents?content=0 (HEAD devuelve 405 en Jupyter Server).
• Auto-init: jupyter_append_execute crea el notebook si no existe y arranca una sesion con kernel si no hay ninguna activa para ese notebook.
• El token puede ser cadena vacia si el servidor tiene autenticacion deshabilitada.