Google 又开源一利器 LangExtract：一款可将非结构化文本抽取为结构化数据的 Python 库

  在当今这个数据驱动的时代，很多有价值的信息其实都藏在非结构化的文本里——比如临床病历、冗长的法律合同，或者用户反馈的讨论串。从这些文档中提取出有意义、可追溯的信息，一直以来都是技术和实践上的双重挑战。

  最近，Google AI 推出了一款新的开源 Python 库，叫做 LangExtract，就是冲着解决这个问题来的。它利用像 Gemini 这样的大语言模型（LLM），实现自动化信息抽取，而且特别强调结果的可追溯性和透明性。说实话，我看到这个工具的第一反应是：这正是我们在做文本结构化时常常需要但又不容易实现的东西。

LangExtract 的几个关键创新点

1. 声明式、可追溯的抽取方式

  LangExtract 允许用户通过自然语言指令，再配上几个高质量的“示例”（few-shot examples），来定义自己的抽取任务。也就是说，你可以明确告诉系统：我想抽哪些实体、关系或事实，输出要什么结构。这一点对开发者和数据分析师来说非常友好。

  更重要的是，每一个被抽出来的信息，都会直接关联到原文中的出处。这意味着你可以回溯、验证，甚至做审计。在医疗、金融这类对准确性要求极高的领域，这种可追溯性是非常关键的。

2. 跨领域的适用性

  这个工具不只停留在演示层面，它在真实场景中也有很强的适应能力。比如：

• • 医疗：从临床记录中自动提取药物名称、剂量、给药方式；
• • 金融与法律：从复杂的合同或风险报告中抓取关键条款；
• • 科研文献：快速从成千上万篇论文中提取研究结论；
• • 甚至在人文艺术领域，比如分析莎士比亚戏剧中的人物、情感和人物关系，也能派上用场。

  我自己试了一下用它处理一段文学文本，发现它的输出不仅结构清晰，还能准确标注出每个信息来自哪一句话，体验感确实不错。

3. 利用 LLM 实现 Schema 强制约束

  LangExtract 背后由 Gemini 驱动，同时也支持其他 LLM。它的特别之处在于，能强制输出符合你定义的结构（比如标准的 JSON 格式）。这样一来，结果不仅是准确的，还能直接接入数据库、分析系统或下游 AI 流程。

  传统 LLM 经常存在“幻觉”（hallucination）和输出格式不稳定（schema drift）的问题，而 LangExtract 通过结合用户指令和原文内容，把输出“锚定”在真实文本上，有效缓解了这些问题。

4. 可扩展性与可视化支持

• • 处理长文本能力强：它会自动把长文档切块，然后并行处理，最后再聚合结果，效率比较高；
• • 交互式可视化：可以生成交互式的 HTML 报告，每个提取出的实体都能高亮显示在原文中的位置，方便做审核和错误分析；
• • 集成方便：支持 Google Colab、Jupyter，也可以单独导出 HTML 文件，开发调试的闭环很顺畅。

  我记得以前做类似项目时，光是写个可视化脚本就要花半天，现在 LangExtract 直接内置了这个功能，省了不少力气。

5. 安装和使用都很简单

  安装只需要一行命令：

pip install langextract

  下面是一个从莎士比亚文本中提取人物、情感和关系的小例子：

import langextract as lx
import textwrap

# 1. 定义提示词
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. 提供高质量示例
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"}),
        ],
    )
]

# 3. 对新文本进行抽取
input_text = "Lady Juliet gazed longingly at the stars, her heart aching for Romeo"
result = lx.extract(
    text_or_documents=input_text,
    prompt_description=prompt,
    examples=examples,
    model_id="gemini-2.5-pro"
)

# 4. 保存并生成可视化报告
lx.io.save_annotated_documents([result], output_name="extraction_results.jsonl")
html_content = lx.visualize("extraction_results.jsonl")
withopen("visualization.html", "w") as f:
    f.write(html_content)

  运行完之后，你会得到结构化的 JSON 输出，还有一个交互式的 HTML 页面，点开就能看到每个提取结果在原文中的位置，非常直观。

实际应用场景举例

• • 医学领域：可以从临床或影像报告中提取诊断信息、药物使用情况，并与原文句子一一对应，有助于提升医疗数据的结构化水平和系统间互操作性；
• • 金融与法律：自动提取合同中的责任条款、风险项，所有输出都有上下文支撑，便于合规审查；
• • 科研与数据挖掘：适合大规模文献分析，比如从 PubMed 上万篇论文中批量抽取实验设计或结果。

  Google 团队还专门做了一个叫 RadExtract 的演示，专门用于结构化放射科报告，不仅能告诉你抽了什么，还能精确指出信息在原文的哪个位置，实用性很强。

和传统方法的对比

小结

  总体来看，LangExtract 为从非结构化文本中提取结构化数据提供了一个新思路。它有几个让我觉得值得推荐的特点：

• • 支持声明式、可解释的抽取流程；
• • 输出结果可追溯、有上下文支撑；
• • 内置可视化工具，加快开发迭代；
• • 易于集成到现有的 Python 工作流中。

  如果你正在做信息抽取、知识图谱构建，或者需要处理大量非结构化文本，LangExtract 值得一试。项目已经在 GitHub 开源，有教程、代码示例和 Notebook，上手门槛不高。