LangExtract
活跃简介
Google 开源的 Python 库，用于利用 LLM 从非结构化文本中精确提取结构化信息，支持源文本标注和交互式可视化，适用于数据标注和知识抽取场景。
核心特性
- 精确源文本锚定 — 每条提取结果映射到原文精确位置，支持视觉高亮追溯验证
- 受控结构化输出 — 基于 few-shot 示例强制一致输出 Schema，利用 Gemini 受控生成保证结果鲁棒性
- 长文档优化策略 — 通过文本分块、并行处理和多轮扫描克服大文档「大海捞针」问题，提升召回率
- 交互式可视化 — 生成自包含 HTML 文件，可交互浏览数千条提取实体在原文中的上下文
- 灵活模型支持 — 支持 Google Gemini 云端模型和 Ollama 本地模型，可自定义模型提供商
- 任意领域适配 — 仅需几个示例即可定义任意领域的提取任务，无需模型微调
适用场景
💡 临床文档信息提取 — 从病历、临床笔记中提取药物名称、剂量、诊断和患者信息，支持医疗 NLP 流程
💡 学术文献结构化 — 从论文全文中提取人物、情感、关系等结构化数据，辅助文学分析和知识图谱构建
💡 报告自动化解析 — 自动解析 radiology report 等专业报告，提取关键发现和结论
💡 数据标注与知识抽取 — 为训练数据集提供高质量标注，支持NER、关系抽取等NLP任务
💡 文档理解流水线 — 作为 RAG 系统的前置处理模块，从非结构化文档中提取结构化元数据
优势与不足
✅ 优势
- • 活跃维护，近期持续更新
- • 社区热度高（38.5k stars）
- • 开源许可证友好（Apache-2.0）
- • Issue 响应及时，积压少
快速开始
```python
import langextract as lx
result = lx.extract(
text_or_documents="Lady Juliet gazed longingly at the stars, her heart aching for Romeo",
prompt_description="Extract characters, emotions, and relationships in order of appearance.",
examples=[lx.data.ExampleData(
text="ROMEO. But soft! What light through yonder window breaks?",
extractions=[lx.data.Extraction(
extraction_class="character",
extraction_text="ROMEO",
attributes={"emotional_state": "wonder"}
)]
)],
model_id="gemini-3.5-flash",
)
lx.io.save_annotated_documents([result], output_name="results.jsonl")
```