🔥 【今日推荐 LangExtract】：Google 开源 35K Stars 文本智能提取神器，5行代码把非结构化文档变成结构化数据！

封面图

每天有无数临床病历、法律合同、金融研报躺在电脑里无法利用——Google 用一个开源库彻底解决了这个难题。LangExtract 让 LLM 不只是"生成"，而是"精准提取"，每条结果都能溯源到原文的精确位置。

🚀 什么是 LangExtract？

LangExtract 是 Google 开源的 Python 库，专门解决一个高频痛点：如何用 LLM 从大量非结构化文本中可靠地提取结构化信息。

传统方案要么靠正则表达式（太脆），要么靠 LLM 直接输出 JSON（幻觉多、溯源难）。LangExtract 走了第三条路——Few-shot 示例驱动 + 精准溯源 + 可控结构化输出，让每一条提取结果都有据可查。

核心定位：不是又一个 LLM Wrapper，而是一个以"精准溯源"为核心的工业级信息提取引擎，内置并行分块和多轮 Pass 策略，专为长文档设计。

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

✨ 核心功能一览

功能对比表

🛠️ 快速上手：5 分钟跑通示例

安装

pip install langextract

核心代码示例（《罗密欧与朱丽叶》人物提取）

import langextract as lx
import textwrap

# 1. 定义提取任务（一段 Prompt 即可）
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 Few-shot 示例（告诉模型提什么、怎么提）
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"}
            ),
        ]
    )
]

# 3. 加载文档，一键提取
doc = lx.data.Document(text=open("romeo_and_juliet.txt").read())
result = lx.extract(doc, prompt=prompt, examples=examples)

# 4. 生成可视化 HTML（含溯源高亮）
lx.visualization.write_html(result, "output.html")
print(f"提取到 {len(result.extractions)} 条实体")

注意：Few-shot 示例质量直接决定提取效果。示例越精准，输出越稳定。建议每个类别至少提供 2-3 个示例。

切换到本地 Ollama（无需 API Key）

import langextract as lx

# 使用本地 Ollama 运行（无需任何 API Key，完全离线）
result = lx.extract(
    doc,
    prompt=prompt,
    examples=examples,
    provider="ollama",
    model="llama3.2"
)

医疗场景：药物信息提取

# 专业医疗提取场景示例
medication_prompt = "Extract medication names, dosages, and frequencies from clinical notes."

medication_examples = [
    lx.data.ExampleData(
        text="Patient was prescribed Metformin 500mg twice daily for diabetes management.",
        extractions=[
            lx.data.Extraction(
                extraction_class="medication",
                extraction_text="Metformin",
                attributes={"dosage": "500mg", "frequency": "twice daily", "indication": "diabetes"}
            ),
        ]
    )
]

# 批量处理临床病历
for note in clinical_notes:
    doc = lx.data.Document(text=note)
    result = lx.extract(doc, prompt=medication_prompt, examples=medication_examples)
    # 每条提取结果都带有源文本偏移量，精准溯源
    for extraction in result.extractions:
        print(f"药物: {extraction.extraction_text}, 位置: {extraction.start_offset}-{extraction.end_offset}")

📊 与竞品对比

竞品对比表

💡 适用场景

🏥 医疗：临床病历结构化

工作流程

功能说明：从非结构化的临床笔记、放射报告、出院小结中提取药物名称、诊断、剂量、手术记录等关键信息，每条结果精确对应源文本位置，满足医疗合规要求。

输入要求：任何格式的临床文本文档，支持长文档分块处理。

输出效果：结构化 JSON + 交互式 HTML 可视化报告，医生可直接在浏览器中高亮审核每条提取结果。

适用场景：医院 EMR 系统数据清洗、药物不良事件监测、临床研究数据采集。

⚖️ 法律：合同关键条款提取

功能说明：从合同、法律文书、监管文件中批量提取当事人姓名、关键日期、金额、违约条款等信息，实现合同审查自动化。

输入要求：PDF 或纯文本格式的法律文档，支持超长合同分块处理。

输出效果：结构化字段数据 + 精准溯源位置，便于律师快速定位和审核。

适用场景：企业法务部合同审查提速、合规文件批量处理、尽职调查辅助。

📊 金融：研报/新闻实体识别

功能说明：从金融研报、新闻文章中提取公司名称、数据指标、分析观点等结构化信息，支持知识图谱构建和投资信号识别。

输入要求：金融文本，可通过自定义 Few-shot 示例适配特定行业术语。

输出效果：实体-属性-关系三元组结构，可直接导入数据库或知识图谱。

适用场景：量化投研数据采集、舆情监控、企业知识库构建。

📚 使用场景总结

使用场景图

✅ 医疗合规：精准溯源满足医疗数据合规要求，支持人工审核
✅ 法律自动化：合同批量处理，律师效率提升数倍
✅ 金融研究：研报实体结构化，量化投研数据采集
✅ 学术研究：文献批量处理，知识图谱构建
❌ 不适合：需要实时生成内容（LangExtract 专注提取，不做生成）；简单短文本（用正则就够了）

🌟 为什么 LangExtract 值得关注？

LangExtract 有 7 大核心优势，让它在众多 LLM 提取方案中脱颖而出：

1. 精准溯源（Grounding） 每条提取结果都带有源文本的精确偏移量（start_offset/end_offset），可直接在 HTML 中高亮显示。这在医疗、法律场景中是刚需——没有溯源就没有可信度。

2. 可控结构输出 结合 Gemini 的可控生成能力，强制模型按照指定 Schema 输出，大幅减少幻觉和格式错误。

3. 长文档优化 独创的"分块 + 并行 + 多轮 Pass"策略，专门克服大海捞针难题。超长文档不再是痛点。

4. 零 Fine-Tune 只需几个 Few-shot 示例，即可适配任意领域。今天医疗，明天法律，完全不需要重新训练模型。

5. 完全开源免费（Apache-2.0） 代码、示例、文档全部开源，支持本地 Ollama 部署，无需花一分钱 API 费用。

6. 交互式可视化 lx.visualization.write_html() 一行生成独立 HTML，可在浏览器中查看数千条提取实体的原文位置。

7. Google 官方维护 Google 内部团队出品，代码质量和长期维护有保障，arXiv 论文支撑（DOI: 10.5281/zenodo.17015089）。

💰 定价方案

完全免费，Apache-2.0 开源协议

方式	费用	说明
使用 Gemini API	免费额度/按量付费	Gemini 1.5 Flash 免费额度相当大
使用 OpenAI API	按量付费	支持 GPT-4o/GPT-4o-mini
使用本地 Ollama	完全免费	支持 llama3.2、qwen 等本地模型

💡 新手推荐：本地 Ollama + llama3.2，零成本体验全部功能，适合企业私有化部署和个人学习。

开源协议： Apache-2.0

🎯 总结

LangExtract 是 2026 年最值得关注的 AI 工具之一。它不是在赶 LLM 的热潮，而是在解决一个真实且高价值的工程问题：如何让 LLM 的提取结果可信、可验证、可批量化。

35K Stars、Google 官方维护、Apache-2.0 开源——这三点就足以说明它的质量和可持续性。无论你是在做医疗 NLP、法律文本分析、金融数据采集还是学术研究，LangExtract 都能帮你把非结构化文本变成可用的结构化数据。

推荐指数： ⭐⭐⭐⭐⭐（满分5星）

适合人群： 需要从大量文档中提取结构化信息的工程师、研究人员、数据分析师

立即体验： pip install langextract

GitHub 仓库： google/langextract

数据截至 2026-04-26，最新信息请以官网为准。

配套媒体