Google 悄悄开源了一个「数据提取神器」，3 行代码干掉你 500 行正则

你还在用正则表达式从 LLM 输出里抠 JSON 吗？Google 工程师受不了了，直接开源了 LangExtract——一行 lx.extract() 解决所有结构化提取的痛。

💢 痛点：LLM 时代最被低估的脏活

2026 年了，大模型的能力早已不是瓶颈。真正的瓶颈是什么？

是把大模型的输出变成你代码能用的数据。

想象一下这个场景：你让 GPT 帮你从一份 50 页的财报里提取关键财务数据。模型很聪明，回答得头头是道。但你要的不是一段话——你要的是一个干干净净的 JSON，能直接灌进数据库。

于是你开始写代码：

# 😭 你的日常
import re, json

response = llm.generate("从以下文本提取财务数据...")
# 哦不，模型输出了 ```json 包裹的内容
text = re.search(r'```json\s*(.*?)\s*```', response, re.DOTALL)
if text:
    try:
        data = json.loads(text.group(1))
    except json.JSONDecodeError:
        # 模型偶尔输出不合法 JSON，加个修复逻辑...
        data = fix_json(text.group(1))  # 又是 100 行
else:
    # 模型没用代码块包裹，试试直接解析...
    try:
        data = json.loads(response)
    except:
        # 算了，用正则硬扣吧... 😤
        pass

这还只是第一步。 如果文本超过模型的上下文窗口呢？你得自己分块。分块之后不同块的结果怎么合并？怎么去重？提取出来的内容怎么映射回原文位置？

这套"脏活"，几乎每个用 LLM 做数据提取的开发者都在重复造轮子。

Google 的工程师终于忍不了了。

▲ 传统方式 vs LangExtract 对比：一边是无尽的调试深渊，一边是 3 行代码准时下班

🚀 LangExtract：Google 的答案

LangExtract 是 Google 在 2025 年底开源的一个 Python 库，目标很明确：

用最少的代码，从任意文本中提取结构化数据——自动分块、自动并发、自动对齐、自动去重。

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

直接看核心 API，感受一下它的简洁度：

import langextract as lx

result = lx.extract(
    "一大段非结构化文本...",
    prompt_description="提取所有人物及其职位",
    examples=[...],          # Few-shot 示例
    model_id="gemini-2.5-flash"# 支持 Gemini/GPT/Ollama
)

lx.visualize(result)  # 一行可视化

3 行代码，完事了。 没有正则，没有 JSON 修复，没有手动分块。

▲ LangExtract 核心工作流：从原始文本到结构化数据的全自动管线

🧠 它到底解决了什么？5 大核心痛点逐个击破

痛点 1：长文本分块是个噩梦

你有一份 10 万字的合同，模型上下文窗口只有 8K tokens。怎么办？

❌ 传统做法： 手动按字数切分，祈祷切分点不会把一句话劈成两半。

✅ LangExtract： 内置智能分块引擎，基于句子边界分块，支持跨块上下文窗口（context_window_chars），让模型在处理当前块时能"看到"上一块的尾部内容，解决跨块指代问题（比如"她"指的是上一段提到的某个人）。

result = lx.extract(
    超长文本,
    context_window_chars=500,  # 跨块上下文重叠 500 字符
    max_char_buffer=2000,      # 每块最大 2000 字符
    ...
)

痛点 2：LLM 输出格式不可控

模型有时候输出 json ... ，有时候直接输出裸 JSON，有时候夹杂废话。传统方案需要你写一堆 Parser。

✅ LangExtract： 内置 Resolver 解析器，自动处理各种输出格式，支持 JSON 和 YAML，还有模糊对齐（fuzzy_alignment）功能——即使模型输出的文本和原文不完全一致，也能正确定位到原文中的位置。

痛点 3：提取结果无法溯源

你从一篇论文里提取了 20 个实体，但你不知道每个实体是从原文的哪个位置提取的。

✅ LangExtract： 返回的 AnnotatedDocument 对象包含完整的原文映射信息（char_interval），精确到字符级别。配合 lx.visualize()，直接在 Jupyter Notebook 里高亮显示提取结果在原文中的位置。

痛点 4：处理速度太慢

1000 条文本顺序调用 API，等到天荒地老。

✅ LangExtract： 内置批量并发处理，默认 10 个 worker 并行调用 LLM API。处理大批量数据时，还支持 Gemini Batch API 做离线批处理。

result = lx.extract(
    documents,
    batch_length=20,   # 每批 20 个文本块
    max_workers=10,    # 10 路并发
    ...
)

痛点 5：切换模型要重写代码

今天用 Gemini，明天想试试 GPT-4，后天又想跑个本地 Ollama。每个模型 API 不一样，代码改到吐。

✅ LangExtract： 统一的 Provider 抽象层，切换模型只需改一个参数：

# 用 Google Gemini
lx.extract(..., model_id="gemini-2.5-flash")

# 切换到 OpenAI
lx.extract(..., model_id="gpt-4o")

# 用本地 Ollama
lx.extract(..., model_id="llama3", model_url="http://localhost:11434")

而且支持插件机制——第三方可以通过 Python entry_points 注册自定义 Provider，pip install 后自动可用，零配置。

▲ 并发处理流程：自动分块 → 多路并发调 LLM → 解析合并 → 返回结果

🏗️ 架构设计：分层解耦的正确示范

LangExtract 的代码架构非常优雅，值得学习：

🎯 用户 API 层
├── lx.extract()       ← 主入口
└── lx.visualize()     ← 可视化

⚙️ 处理管线层
├── Chunking           ← 智能分块
├── Prompting          ← Few-shot 提示词构建
├── Annotation         ← 标注引擎（并发调度）
└── Resolver           ← 结果解析 + 模糊对齐

🔌 提供者层（可扩展）
├── Gemini             ← Google AI
├── OpenAI             ← GPT 系列
├── Ollama             ← 本地推理
└── Plugin System      ← 第三方扩展

🏗️ 核心层
├── BaseLanguageModel  ← 模型接口
├── Data Types         ← Schema + 数据类型
└── Tokenizer          ← 分词器

▲ 分层架构图：严格的单向依赖，上层依赖下层，绝不反向

几个设计亮点：

1. 严格的依赖方向：Core 层不依赖 Providers，Providers 不依赖 Annotation。通过 import-linter 在 CI 中强制执行。
2. 注册表模式：模型 ID 通过正则匹配自动路由到对应 Provider，用户无需关心底层实现。
3. PEP 562 懒加载：import langextract 时不会立即加载所有子模块，首次访问时才加载，启动快。

🔥 实战场景：它能干什么？

共同点：你只需要告诉模型"提取什么"、给几个示例，剩下的交给 LangExtract。

📝 快速上手

安装

pip install langextract

# 如果要用 OpenAI
pip install langextract[openai]

# 如果要用本地 Ollama
# 确保 Ollama 服务已运行

完整示例

import langextract as lx
from langextract.core.data import ExampleData

# 定义示例（告诉模型你要什么格式）
examples = [
    ExampleData(
        text="张三是腾讯的高级工程师，在深圳工作。",
        extractions=[{
            "name": "张三",
            "company": "腾讯",
            "title": "高级工程师",
            "location": "深圳"
        }]
    )
]

# 一行提取
result = lx.extract(
    "李四于 2024 年加入阿里巴巴，担任算法专家，base 杭州。"
    "王五是字节跳动的产品经理，常驻北京。",
    prompt_description="从文本中提取人物的姓名、公司、职位和工作地点",
    examples=examples,
    model_id="gemini-2.5-flash"
)

# 可视化结果
lx.visualize(result)

🤔 和 Instructor / LangChain 有什么区别？

你可能会问：这不是和 instructor 或 LangChain 的结构化输出差不多吗？

区别很大：

简单说：Instructor 解决的是"让 LLM 输出结构化数据"这一个点，LangExtract 解决的是从非结构化文本到结构化数据的完整管线。

💡 值得关注的技术细节

多轮提取（Multi-pass Extraction）

对于信息密度很高的文本，单次提取可能遗漏。LangExtract 支持多轮提取：

result = lx.extract(
    dense_text,
    extraction_passes=3,  # 提取 3 轮，自动合并去重
    ...
)

每轮独立提取，最后自动合并，先提取到的结果优先（first-pass wins），重叠部分自动去重。

URL 自动下载

# 直接传 URL，自动下载网页内容并提取
result = lx.extract(
    "https://example.com/article",
    ...
)

Prompt 验证

提供了 Few-shot 示例的自动验证机制，在提取之前就检查你的示例是否和文本对齐，提前发现问题：

result = lx.extract(
    ...,
    prompt_validation_level="ERROR",  # 示例不对齐直接报错
    prompt_validation_strict=True,
)

📊 项目数据

• GitHub Stars： 快速增长中 ⭐
• 版本： v1.1.1（活跃维护）
• 许可证： Apache 2.0（商用友好）
• Python： ≥ 3.10
• DOI： 10.5281/zenodo.17015089（可学术引用）
• 代码质量： 完整测试套件 + import-linter 依赖检查 + 类型注解

🎯 总结

LangExtract 不是又一个 LLM wrapper。它解决的是一个非常具体且普遍的痛点：

如何从大规模非结构化文本中，可靠地、可追溯地、高效地提取结构化数据。

在 LLM 时代，这个问题几乎每个做数据处理的团队都会遇到。Google 用一个设计优雅的开源工具给出了标准答案。

如果你的工作涉及到：

• 📄 文档解析（合同、财报、简历）
• 🏥 医疗 NLP（病历结构化、药品信息提取）
• 📰 信息抽取（新闻、社交媒体、研究论文）
• 🏗️ 数据管线（ETL 中的非结构化数据处理）

强烈建议收藏这个项目。

👉 GitHub：https://github.com/google/langextract

如果觉得有用，点个「在看」转发给你还在写正则的同事吧 😏