LangExtract开源Python库，用大语言模型从非结构化文本精准提取结构化信息

LangExtract：用大语言模型从非结构化文本中精准提取结构化信息的Python库

你是否曾为从海量非结构化文本（如临床报告、法律文件或小说）中手动提取关键信息而感到头疼？LangExtract 的出现，旨在彻底解决这个问题。它是一个由 Google 开源的 Python 库，利用大语言模型（LLM），仅需少量示例即可从任意文本中精准提取结构化数据，并生成交互式可视化报告，极大提升了信息处理的效率和准确性。

截至收录：
LangExtract项目stars数：21692
LangExtract项目forks数：1507

LangExtract项目目录截图

LangExtract项目核心亮点

• 📍 精准的原文定位：每一个提取出的实体都能精确映射到原文中的位置，并支持高亮显示，确保结果的可追溯性和可验证性。
• 📊 可靠的结构化输出：通过少量示例（Few-Shot）定义输出模式，并利用 Gemini 等模型的控制生成能力，确保输出格式稳定、结构清晰。
• 📄 专为长文档优化：采用智能分块、并行处理和多次提取的策略，有效解决了从长篇文档中寻找“沧海一粟”的难题，显著提高了信息召回率。
• 🎨 交互式可视化：一键生成独立的、交互式 HTML 文件，可直观地浏览和审查成千上万个提取出的实体及其原始上下文。
• 🔌 灵活的模型支持：支持从云端模型（如 Google Gemini 系列、OpenAI GPT）到本地开源模型（通过内置的 Ollama 接口）的多种 LLM，满足不同场景需求。
• 🌐 适用于任何领域：无需微调模型，仅通过定义任务提示词和提供几个示例，即可快速适配到医疗、法律、文学等任何垂直领域的信息提取任务。

LangExtract项目快速开始

只需几步，你就能开始使用 LangExtract 提取信息：
1. 安装：

# 使用 pip 从 PyPI 安装
$ pip install langextract

定义任务并运行提取：

    import langextract as lx
    import textwrap

    # 1. 定义提取规则和示例
    prompt = textwrap.dedent("""\
        按出现顺序提取人物、情绪和关系。
        使用原文中的精确文本进行提取。不要意译或重叠实体。
        为每个实体提供有意义的属性以添加上下文。""")
    examples = [...] # 提供高质量的示例数据

    # 2. 运行提取
    result = lx.extract(
        text_or_documents="你的输入文本",
        prompt_description=prompt,
        examples=examples,
        model_id="gemini-2.5-flash", # 推荐默认模型
    )

    # 3. 保存并可视化结果
    lx.io.save_annotated_documents([result], "results.jsonl")
    html = lx.visualize("results.jsonl")
    with open("visualization.html", "w") as f:
        f.write(html)

LangExtract项目应用场景

• 医疗信息处理：从临床笔记或放射学报告中自动提取药物名称、剂量、诊断结果等结构化信息，辅助医疗数据分析。
• 法律文档分析：快速从合同、判决书中提取关键条款、当事人、日期和金额，提高法律文书的审阅效率。
• 文学研究与内容分析：分析小说、剧本中的人物关系、情感脉络和情节发展，为学术研究提供数据支持。
• 商业智能与报告生成：处理客户反馈、市场报告等非结构化文本，提取产品特性、用户情感和竞争情报，自动生成分析报告。
• 知识库构建：自动化地从技术文档、研究论文中提取实体和关系，用于构建或更新领域知识图谱。

LangExtract项目链接

google / langextract项目地址：https://github.com/google/langextract

本文地址：https://www.tgoos.com/31393