谷歌开源结构化信息提取神器！4K+ Star，精准定位+交互式可视化！

谷歌开源LangExtract，让非结构化文本秒变结构化数据！无需训练模型，开发者也能轻松实现精准信息提取。

核心内容：
LangExtract的核心功能：精准源定位、结构化输出、长文档处理
快速上手指南：安装配置与API密钥设置
实际应用场景：医疗、法律、金融等领域的文本处理革命

在医疗、法律、金融等领域，非结构化文本（如临床记录、报告、合同）中蕴含着宝贵信息，但手动提取费时费力，传统NLP工具又需复杂训练。

谷歌最新开源的LangExtract为这一难题提供了优雅的解决方案。

LangExtract是一款高精度信息抽取工具，本质是一个开源Python库，利用大型语言模型，从长文档中自动提取结构化信息，并且提供可视化来源定位。

它旨在帮助开发者将原始文本转换为有序的、机器可读的数据，而无需进行模型微调或具备深厚的机器学习专业知识。

谷歌开源结构化信息提取神器！4K+ Star，精准定位+交互式可视化！

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

核心功能
•精确源定位：将每次提取映射到源文本的确切位置，支持视觉高亮以供验证
•可靠的结构化输出：基于你的示例强制执行一致的输出架构，并利用如Gemini等模型中的受控生成能力
•长文档处理：通过优化的文本分块、并行处理和多轮提取来处理大型文档
•交互式可视化：生成交互式HTML可视化，以便在原始上下文中审查数千次提取
•灵活的模型支持：支持基于云的LLMs（如Gemini）和通过Ollama的本地模型
•领域适应性：使用少量示例配置任何领域，无需模型微调

快速上手

几分钟内即可快速上手LangExtract！LangExtract可以通过pip轻松安装：

pip install langextract
对于独立环境，建议使用虚拟环境：

python -m venv langextractenvsource langextractenv/bin/activate # 在Windows上: langextract_envScriptsactivatepip install langextract
设置API密钥

LangExtract默认使用如Gemini这样的云托管模型，这些模型需要API密钥。你可以从AI Studio获取Gemini模型的API密钥。

推荐通过.env文件设置API密钥：

将API密钥添加到.env文件echo "LANGEXTRACTAPIKEY=your-api-key-here" > .env# 保护你的API密钥echo '.env' >> .gitignore

基本提取流程

让我们通过一个简单的提取任务来展示LangExtract的核心功能。
1. 导入库

import langextract as lximport textwrap
2. 定义提取任务

创建一个清晰的提示词来描述你想要提取的内容，并提供示例来引导模型：

明确定义要提取的内容prompt = textwrap.dedent(""" 按出现顺序提取角色、情感和关系。使用确切文本进行提取。不要改写或重叠实体。为每个实体提供有意义的属性以增加上下文。""") # 提供示例来引导模型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( extractionclass="character", extractiontext="ROMEO", attributes={"emotionalstate": "wonder"} ), lx.data.Extraction( extractionclass="emotion", extractiontext="But soft!", attributes={"feeling": "gentle awe"} ), lx.data.Extraction( extractionclass="relationship", extraction_text="Juliet is the sun", attributes={"type": "metaphor"} ), ] )]
3. 运行提取

将你的输入文本和提示词材料传递给lx.extract函数：

你要处理的输入文本inputtext = "Lady Juliet gazed longingly at the stars, her heart aching for Romeo" # 运行提取result = lx.extract( textordocuments=inputtext, promptdescription=prompt, examples=examples, modelid="gemini-2.5-flash", # 推荐的默认模型)

extract()函数处理所有复杂性，包括：
• 将你的指令转换为有效的LLM提示词
• 对文本进行分块
• 使用适当的参数调用语言模型
• 解析和验证结果
• 将提取内容映射回其源位置
4. 可视化结果

LangExtract可以轻松可视化你的提取数据，并与源文本进行验证：

将结果保存到JSONL文件lx.io.saveannotateddocuments([result], outputname="extractionresults.jsonl") # 生成交互式HTML可视化htmlcontent = lx.visualize("extractionresults.jsonl")with open("visualization.html", "w") as f: f.write(html_content)

这将创建一个交互式HTML文件，突出显示原始文本上下文中的每个提取内容，便于验证和探索你的结果。

对于长文档，LangExtract提供高级选项以提升性能：

使用优化设置处理长文本result = lx.extract( textordocuments="https://www.gutenberg.org/files/1513/1513-0.txt", # Romeo & Juliet的URL promptdescription=prompt, examples=examples, modelid="gemini-2.5-flash", extractionpasses=3, # 通过多次传递提高召回率 maxworkers=20, # 并行处理以提升速度 maxcharbuffer=1000 # 较小的上下文以提高准确性)

更多高级用法和详细示例，请查看项目文档进行参考学习。

典型应用场景
•医疗行业：提取患者病历中的药物信息、剂量、检查项目
•法律领域：合同条款、日期、金额、责任方的自动化提取
•科研文献：从论文中提取实验参数、结果、数据表
•商业文档：发票、订单、财务报告的数据抽取
•客户支持：从聊天记录中提取关键信息（投诉原因、时间、客户ID）

写在最后

LangExtract以其精准来源定位和交互式HTML可视化，革新了非结构化文本的结构化提取流程。支持Gemini/Ollama，处理临床记录、长文档等。

其基于大语言模型的理解能力和智能处理机制，为用户提供高效、可靠的信息提取体验

谷歌开源结构化信息提取神器！4K+ Star，精准定位+交互式可视化！