我要投稿

LangExtract——大模型文本提炼工具

发布日期：2025-10-31 21:47:17 浏览次数： 1760

作者：大模型算法探索

微信搜一搜，关注“大模型算法探索”

LangExtract——大模型文本提炼工具

概述

什么是LangExtract

LangExtract是一个Python库，它使用大型语言模型（LLMs）从非结构化文本文档中提取结构化信息。该库可以处理临床笔记、文学文本或报告等材料，识别和组织关键细节，同时保持提取的数据和源文本位置之间的精确映射。

核心能力

能力	描述
标注来源	将每个提取映射到源文本中的精确字符位置
结构化输出	根据少量样本规范输出模式
长文档处理	通过分块和并行处理来处理大量文本
交互式可视化	生成 HTML 文件，用于在上下文中审查提取内容
多供应商支持	与云 LLM（Gemini、OpenAI）和本地模型（Ollama）配合使用
领域适应性	可使用示例配置任何提取任务

实践

安装

LangExtract 可以从 PyPI 安装，也可以从源代码构建。该库需要 Python 3.10 及以上版本，并为特定提供程序提供可选的依赖项。

标准安装

pip install langextract

开发安装

git clone https://github.com/google/langextract.git
cd langextract
pip install -e ".[dev]"

基本工作流

1、定义输入样本；创建提示词(prompt_description)和示例(examples)来指导模型

2、调用 lx.extract() 函数处理输入文本:

内部处理流程如下:

• 输入处理:如果 fetch_urls=True 且输入是 URL,会自动下载文本
• 创建提示模板:使用 PromptTemplateStructured 组织提示词和示例
• 模型配置:根据参数优先级创建语言模型(优先级:model > config > model_id)
• 文本处理:通过 Annotator 协调文本分块、并行处理和结果解析
• 结果对齐:使用 Resolver 将提取结果对齐到源文本位置

3. 可视化结果

保存结果并生成交互式 HTML 可视化

返回的 AnnotatedDocument 包含:

• 原始文本和 document_id
• Extraction 对象列表,每个包含 char_interval 位置信息
• 每个提取的 AlignmentStatus 表示匹配质量

注：对于长文档,可以使用 URL 直接处理并启用并行处理和多次提取来提高性能和准确性。系统支持多种模型提供商(Gemini、OpenAI、Ollama 等),通过工厂模式自动选择合适的提供商

调用qwen示例

import langextract as lx
from langextract import factory



from langextract.providers.openai import OpenAILanguageModel

# Text with a medication mention
input_text = "Patient took 400 mg PO Ibuprofen q4h for two days."

# Define extraction prompt
prompt_description = "Extract medication information including medication name, dosage, route, frequency, and duration in the order they appear in the text."

# Define example data with entities in order of appearance
examples = [
    lx.data.ExampleData(
        text="Patient was given 250 mg IV Cefazolin TID for one week.",
        extractions=[
            lx.data.Extraction(extraction_class="dosage", extraction_text="250 mg"),
            lx.data.Extraction(extraction_class="route", extraction_text="IV"),
            lx.data.Extraction(extraction_class="medication", extraction_text="Cefazolin"),
            lx.data.Extraction(extraction_class="frequency", extraction_text="TID"),  # TID = three times a day
            lx.data.Extraction(extraction_class="duration", extraction_text="for one week")
        ]
    )
]

result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt_description,
    examples=examples,
    fence_output=True,
    use_schema_constraints=False,
    model = OpenAILanguageModel(
        model_id='qwen-plus',
        base_url='',
        api_key='',
        provider_kwargs={
            'connect_timeout': 60,  # 允许 60 秒完成 SSL 握手
            'timeout': 120          # 保持 120 秒的整体请求超时
        }
    )
)

# Display entities with positions
print(f"Input: {input_text}\n")
print("Extracted entities:")
for entity in result.extractions:
    position_info = ""
    if entity.char_interval:
        start, end = entity.char_interval.start_pos, entity.char_interval.end_pos
        position_info = f" (pos: {start}-{end})"
    print(f"• {entity.extraction_class.capitalize()}: {entity.extraction_text}{position_info}")

# Save and visualize the results
lx.io.save_annotated_documents([result], output_name="medical_ner_extraction.jsonl", output_dir=".")

# Generate the interactive visualization
html_content = lx.visualize("medical_ner_extraction.jsonl")
with open("medical_ner_visualization.html", "w") as f:
    if hasattr(html_content, 'data'):
        f.write(html_content.data)  # For Jupyter/Colab
    else:
        f.write(html_content)

print("Interactive visualization saved to medical_ner_visualization.html")

这段代码的核心目标是：使用 langextract 库对接大语言模型（Qwen），从医疗文本中自动提取结构化的药物信息（剂量、途径、名称等），并通过打印、文件保存、HTML 可视化等方式展示结果。适用于医疗文本分析、药物信息抽取等场景。

界面如下：

其实一开始是会出现乱码：在生成的html增加utf-8。

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>医疗实体提取可视化</title>
    <style>
        <!-- 原有CSS样式保持不变 -->
    </style>
</head>
<body>
    <!-- 原有HTML内容保持不变 -->
    <div class="lx-animated-wrapper lx-gif-optimized">
        <!-- ... 原有内容 ... -->
    </div>

    <script>
        <!-- 原有JavaScript代码保持不变 -->
    </script>
</body>
</html>

此外，我还发现了这个文档是不支持中文的！！！

增加中文分词

进入tokenizer分词部分：

# ✅ Updated to support Chinese characters (CJK Unified Ideographs, Extension A, Compatibility Ideographs)
#    and other Unicode languages

_LETTERS_PATTERN = (
    r"[A-Za-z\u4e00-\u9fff\u3400-\u4dbf\uf900-\ufaff]+"
)
"""匹配中文、英文的连续字母（包含CJK基本区、扩展A区、兼容区）"""

_DIGITS_PATTERN = (
    r"[0-9\uff10-\uff19]+"
)
"""匹配阿拉伯数字与全角数字"""

_SYMBOLS_PATTERN = (
    r"[^A-Za-z0-9\u4e00-\u9fff\u3400-\u4dbf\uf900-\ufaff\s]+"
)
"""匹配除中文、英文、数字和空格外的符号（含全角符号）"""

_END_OF_SENTENCE_PATTERN = re.compile(r"[.?!。？！]$")
"""匹配句末符号（含中英文标点）"""

_SLASH_ABBREV_PATTERN = (
    r"[A-Za-z0-9\u4e00-\u9fff\u3400-\u4dbf\uf900-\ufaff]+"
    r"(?:/[A-Za-z0-9\u4e00-\u9fff\u3400-\u4dbf\uf900-\ufaff]+)+"
)
"""匹配类似 '中/英/混合' 这种带斜杠的缩写或组合词"""

_TOKEN_PATTERN = re.compile(
    rf"{_SLASH_ABBREV_PATTERN}|{_LETTERS_PATTERN}|{_DIGITS_PATTERN}|{_SYMBOLS_PATTERN}"
)
"""通用token匹配模式：支持中文、英文、数字、符号"""

_WORD_PATTERN = re.compile(
    rf"(?:{_LETTERS_PATTERN}|{_DIGITS_PATTERN})\Z"
)
"""匹配完整词语（字母或数字结尾）"""

修改如上内容就可以支持中文啦。

pdf支持

LangExtract目前仅支持处理原始文本字符串。在实际工作流程中，源文件通常是PDF、DOCX或PPTX格式。用户目前必须：

手动将文件转换为文本（丢失布局和出处）。
将纯文本输入到LangExtract中。
手动将提取内容映射回原始文档以进行验证。
单步流程将使LangExtract的采用变得更为简便。

建议的解决方案
将Docling库作为可选前端集成：

Docling可以将多种文档格式转换为统一的DoclingDocument。
它保留了来源（页面、边界框、阅读顺序）。
将提取的文本块按照今天的方式输入到LangExtract中。
通过起源元数据将提取的结果映射回原始文档。
集成将是可选的（pip install langextract[docling]），因此核心包保持无依赖性。

概念验证:这个还只是验证，没有加入代码中。

import langextract as lx
import textwrap
from pdf_extract import extract_with_file_support

# 1. Define the prompt and extraction rules
prompt = textwrap.dedent("""\
    Extract characters, emotions, and relationships in order of appearance.
    Use exact text for extractions. Do not paraphrase or overlap entities.
    Provide meaningful attributes for each entity to add context.""")

# 2. Provide a high-quality example to guide the model
examples = [
    lx.data.ExampleData(
        text="ROMEO. But soft! What light through yonder window breaks? It is the east, and Juliet is the sun.",
        extractions=[
            lx.data.Extraction(
                extraction_class="character",
                extraction_text="ROMEO",
                attributes={"emotional_state": "wonder"}
            ),
            lx.data.Extraction(
                extraction_class="emotion",
                extraction_text="But soft!",
                attributes={"feeling": "gentle awe"}
            ),
            lx.data.Extraction(
                extraction_class="relationship",
                extraction_text="Juliet is the sun",
                attributes={"type": "metaphor"}
            ),
        ]
    )
]

source = "<sample pdf file>.pdf"
result = extract_with_file_support(
    source=source,
    prompt_description=prompt,
    examples=examples,
    model_id="gemini-2.5-flash",
)

# result.extractions[0].extraction_text
# result.extractions[0].provenance

总结：

现在的langextract感觉就是集成了各种大模型。封装好了输入输出。现在其实也不支持pdf。

维度	LangExtract 的强 / 劣势	Qwen 驱动抽取系统（假设）可能的强 /劣势	总体判断 /建议
PDF /复杂文档支持	劣势 — 不能直接支持 PDF / DOC 等格式，需要用户先转文本	如果工程设计完整，有机会支持直接从 PDF / DOC /OCR 输入	如果你的工作流程中有大量 PDF /Word 文档，Qwen 工程若支持这一环节会是一个显著优势
中文 / 多语言支持	劣势 — 对非拉丁字符处理有已知问题 /对齐、字符位置可能出错	优势可能更明显（尤其是在中文为主的语境下）	在中文主导场景下，Qwen 工程可能更好；但还是要做适配和测试
应用范围 / 任务领域适应性	优势 — 通过少量示例即可适配领域抽取任务（法律、医学、报表、报告等）	若工程设计允许灵活输入 schema / prompt，也能做到类似适配能力	在多领域抽取 / 快速原型方面，两者如果设计都合理都可以胜任；关键在于抽取质量与稳定性
准确度 / 稳定性 /一致性	优势 — 强调可追踪 / 抽取结果有结构约束 / 多轮抽取以提升召回	若模型 + prompt +工程策略设计得好，理论上也可以接近	在高要求 /审计场景下，LangExtract 的可追踪 / 可视化是很大的加分；Qwen 工程要做到这一点需要额外设计
工程 /扩展性 /集成性	劣势 — 对于 PDF /OCR 等上游处理依赖外部工具；框架相对专一	优势可能大 — 可以自定义融合上游组件 (OCR /排版解析 /纠错 /缓存 /扩展)	如果你有团队、工程能力，Qwen 驱动系统的灵活性可能比 LangExtract 高
成本 /效率	劣势 — 多轮 /分块抽取可能使得模型调用量大、成本上升	若设计好（批处理、缓存、模型量化 /加速机制）可以优化成本	在大规模 /线上服务场景下，成本控制是很关键的考量
可解释 / 可追踪性	优势 — 内建源定位 /可视化审阅支持	若设计得当可以匹配 /接近	若你的应用场景重视“为什么模型抽这个字段 /在原文什么地方”，LangExtract 当前在这一块有天然优势

除了标记出处（功能也很鸡肋），感觉得不到太大的优势。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业