【技术教程】Google LangExtract 完整指南

Google LangExtract 完整指南（2025年12月更新）

项目地址：https://github.com/google/langextract
核心定位：轻量级 Python 库，利用 LLM 从非结构化文本中提取结构化信息，强调精确原文定位（character-level source grounding）+交互式 HTML 可视化审查。

一、核心理念与设计哲学

传统 NER、规则、正则在以下场景下表现较差：

• 领域专有实体（保险免责条款、医疗指标、合同权利义务、小说人物关系等）
• 需要深层语义理解才能判断的字段
• 长文档中分散、needle-in-haystack 类型的信息
• 强审计、可追溯、可人工校对需求

LangExtract 的四大设计支柱：

1. Few-shot + Prompt 控制输出 schema
   用 1–5 个高质量示例 + 清晰指令，代替模型 fine-tune

2. 字符级原文定位（source grounding）
   每条抽取结果强制记录原文中的start_char–end_char，支持高亮追溯

3. 智能分块 + 并行 + 多轮融合
   尊重自然段落/标题分隔，自动分块 + 并行推理 + 结果去重融合，显著提升长文本召回率

4. 开箱即用交互式 HTML 审查界面
   一键生成单文件 HTML，支持搜索、过滤、高亮、数千条记录仍流畅

一句话总结：
LangExtract 把 LLM 变成一个可靠、可审计、可视化的领域定制结构化抽取器，无需大量标注或微调。

二、主要技术亮点

三、典型使用场景

• 保险/法律合同：免责条款、限额、权利义务抽取
• 医疗病历：诊断、用药、检查指标、事件时间线（RadExtract 为典型 demo）
• 金融研报/公告：关键事实、数字指标
• 小说/游戏：人物关系、情绪、剧情事件
• 客户反馈/问卷：多维度标签化
• 科研论文：实验参数、结果指标批量提取
• 舆情/情报：事件要素抽取

四、快速上手

pipinstalllangextract

基础示例（小说人物情绪抽取）

importlangextractaslximporttextwrap# 任务指令（越具体越好）prompt=textwrap.dedent("""\ 从以下文本中抽取所有明确出现的人物，以及他们当前的情绪状态。 要求： - 只提取原文明确提到的人物 - 情绪必须是原文直接或强暗示的词，不要脑补 - 提取文本必须使用原文片段（不改写） """)# 高质量 few-shot 示例（1–3 个最重要）examples=[lx.ExampleData(text="""小明非常开心地说：“终于双休了！” 而小红却一脸疲惫。""",extractions=[lx.Extraction(extraction_class="人物",extraction_text="小明",attributes={"情绪":"非常开心"}),lx.Extraction(extraction_class="人物",extraction_text="小红",attributes={"情绪":"疲惫"}),]),# 可再补充 1–2 个]text="""……（你的长文本，例如一章小说或病历）……"""result=lx.extract(text_or_documents=text,prompt_description=prompt,examples=examples,language_model_type=lx.inference.OllamaLanguageModel,model_id="gemma2:2b",# 或 qwen2.5:14b / llama3.1:8b 等model_url="http://localhost:11434",max_char_buffer=12000,max_workers=6,temperature=0.1,)# 查看结果fordocinresult:print(f"抽取到{len(doc.extractions)}条")forexindoc.extractions[:3]:print(ex)

生成交互式审查 HTML（最强卖点）

result.save_jsonl("extractions.jsonl")lx.generate_visualization(input_file="extractions.jsonl",output_html="review.html",title="人物情绪抽取审查版")

打开review.html后可获得：

• 左侧原文 + 高亮
• 右侧实体列表（可搜索、过滤、统计）
• 点击实体自动定位原文位置
• 支持上万条记录流畅浏览

五、类似开源工具对比（2025年底视角）

快速选型建议：

• 强溯源 + 可视化审查需求 →LangExtract（目前最完整）
• PDF/扫描件/布局感知 →Unstract（+ LLMWhisperer OCR）
• 极致 JSON 格式约束 →Outlines / SGLang（底层 logits 控制）
• 医疗垂直 + 匿名化 →LLMAIx或LangExtract RadExtract demo

六、与 LangChain 结构化抽取能力对比

2025 年推荐：

• 已在 LangChain 生态内开发 → 优先.with_structured_output()
• 需要强溯源 + 开箱审查（医疗、法律、审计场景） →LangExtract体验更好

七、进阶建议与注意事项

• 示例质量远大于数量：1 个完美示例胜过 10 个一般示例
• temperature 0.0–0.2最稳定
• 长文档建议开启use_schema_constraints=True（模型支持时）
• 大批量任务用 Vertex Batch API 可显著降成本
• 本地模型推荐：gemma-3-27b-it、qwen2.5-32b、llama3.1-70b 等
• 调试技巧：小文本 +fence_output=True查看原始 LLM 输出

这份整理版已覆盖 LangExtract 的核心价值、使用方法、竞品对比与生态定位。