nest_asyncio.apply() 是一个「猴子补丁」，它让我们可以在同步环境（如普通脚本）中运行异步任务（如 LlamaParse 的异步加载函数）

nest_asyncio.apply() 是怎么工作的，以及为什么我们需要它。

💡背景知识：什么是异步任务 async？

Python 支持两种代码执行方式：

类型	示例	特点
同步	普通函数 def func()	一件事做完再做下一件
异步（async）	异步函数 async def func()	支持一边等待一边干别的事

比如你要读一个远程文件：

# 同步方式（卡住）
text = read_file("http://example.com")

# 异步方式（不会卡住）
text = await read_file("http://example.com")

异步执行非常适合「等待型任务」（如网络请求、文件解析、大模型调用等），像 LlamaParse 就是异步的。

---

🤯为什么异步代码不能直接运行？

因为异步代码需要在“事件循环”里运行。

举个例子：

import asyncio

async def say_hello():
    print("Hello")

say_hello()  # ❌ 直接调用不会执行！

# 正确方式
asyncio.run(say_hello())  # ✅ 在事件循环中运行

但问题是：

如果你已经在一个事件循环里（比如 Jupyter Notebook、某些框架），就 不能再次 asyncio.run()，否则会报错说“事件循环已存在”。

---

🐒 什么是猴子补丁（Monkey Patch）？

猴子补丁就是：动态地修改别人的代码行为，不改变源码。

• nest_asyncio 就是一个“猴子补丁工具”
• 它能 让一个事件循环套娃运行（nest）
• 也就是说：你已经在事件循环里了，它还帮你“嵌套”再开一层循环

---

🧩 nest_asyncio.apply() 做了什么？

import nest_asyncio
nest_asyncio.apply()

🔧 它悄悄地修改了 asyncio 的运行机制，让你可以这样干：

# 即使你已经在一个事件循环里，也可以再次调用异步代码
asyncio.run(async_function())

或者更常见地：

loop = asyncio.get_event_loop()
result = loop.run_until_complete(async_function())

---

🧪 举个实际例子：没用和用了的对比

❌ 没有 nest_asyncio：

import asyncio

async def hello():
    print("Hi")

# 在 Jupyter 或某些框架中运行下面这行会报错，这是前提
asyncio.run(hello())

错误信息：

RuntimeError: asyncio.run() cannot be called from a running event loop

---

✅ 用了 nest_asyncio：

import asyncio
import nest_asyncio
nest_asyncio.apply()

async def hello():
    print("Hi")

asyncio.run(hello())  # 现在就不会报错了

---

🧠 这段代码

import nest_asyncio
nest_asyncio.apply()
file_extractor = llama_parse_extractor()

✅ 作用是：

你使用的 LlamaParse 是一个异步的文件解析器，正常应该 await llama_parse.load()，但写的代码是同步方式运行的脚本，不能直接 await。

所以通过：

nest_asyncio.apply()

你可以在同步的脚本中间，放心大胆地运行 LlamaParse，哪怕它本身是异步的。

---

🔚 总结一句话：

nest_asyncio.apply() 是一个让「本来只能在异步函数中运行的代码」也能在普通脚本或 Jupyter 中运行的小工具。它让你不用改很多结构，也能用上异步功能，尤其适合用异步解析器如 LlamaParse 的场景。

同步 vs 异步 + nest_asyncio 的对比 demo

1. 👉 原生异步函数写法
2. ❌ 在同步环境中错误调用的写法
3. ✅ 使用 nest_asyncio 成功运行异步任务的写法

---

✅ 场景说明

我们写一个简单的异步函数 async def fetch_data()，模拟从服务器获取数据（用 asyncio.sleep() 模拟等待），然后对比几种调用方式。

---

🧪 示例代码

你可以直接复制粘贴运行在一个 Python 脚本里试试：

import asyncio
import nest_asyncio

# 模拟一个异步函数（比如解析文档或访问API）
async def fetch_data():
    print("Start fetching...")
    await asyncio.sleep(2)  # 模拟耗时操作
    print("Data fetched!")
    return {"status": "success", "data": [1, 2, 3]}

---

① ✅ 正确的异步调用方式（在 async 函数里）

# 正确用法：写一个 async 函数，内部使用 await 调用另一个 async 函数
async def main():
    result = await fetch_data()
    print("Result:", result)

# 启动事件循环来运行 main
asyncio.run(main())

运行效果：

Start fetching...
(等待2秒)
Data fetched!
Result: {'status': 'success', 'data': [1, 2, 3]}

---

② ❌ 同步环境中直接运行异步函数（会报错）

# 直接调用 async 函数，不在 async 环境中
result = asyncio.run(fetch_data())  # 这在 Jupyter Notebook 或嵌套调用时可能会报错，这是前提

错误（示例）：

RuntimeError: asyncio.run() cannot be called from a running event loop

---

③ ✅ 用 nest_asyncio 让同步环境支持 async 调用

import nest_asyncio
nest_asyncio.apply()

# 模拟你在 Jupyter 或某些框架下想在同步脚本中调用异步函数

loop = asyncio.get_event_loop()  # 获取当前事件循环
result = loop.run_until_complete(fetch_data())  # 运行异步函数
print("Result:", result)

输出：

Start fetching...
(等待2秒)
Data fetched!
Result: {'status': 'success', 'data': [1, 2, 3]}

---

🎯 小结对比

方式	场景	是否能运行	用例
asyncio.run(fetch_data())	在主程序中	✅（除非你已经在事件循环中）	脚本
loop.run_until_complete(...)	嵌套事件循环或脚本	❌（不加补丁会出错）	框架、Jupyter
nest_asyncio + loop.run_until_complete(...)	嵌套事件循环中	✅ 推荐用！	Jupyter、同步函数中使用异步

---

🚀 和 LlamaParse 结合

import nest_asyncio
nest_asyncio.apply()

# llama_parse = LlamaParse(...) 是 async 的
# 所以可以这样用：
loop = asyncio.get_event_loop()
result = loop.run_until_complete(parser.load_data_async())