mturac 正则表达式 vs LLM 用于结构化文本解析
一个用于解析结构化文本（测验、表单、发票、文档）的实用决策框架。核心见解是：正则表达式能以低成本、确定性的方式处理 95-98% 的情况。将昂贵的 LLM 调用留给剩余的边缘情况。
何时使用
- 解析具有重复模式的结构化文本（问题、表单、表格）
- 决定在文本提取时使用正则表达式还是 LLM
- 构建结合两种方法的混合管道
- 在文本处理中优化成本/准确性权衡
决策框架
文本格式是否一致且重复？
├── 是 (>90% 遵循某种模式) → 从正则表达式开始
│ ├── 正则表达式处理 95%+ → 完成，无需 LLM
│ └── 正则表达式处理 <95% → 仅为边缘情况添加 LLM
└── 否 (自由格式，高度可变) → 直接使用 LLM
架构模式
[正则表达式解析器] ─── 提取结构（95-98% 准确率）
│
▼
[文本清理器] ─── 去除噪声（标记、页码、伪影）
│
▼
[置信度评分器] ─── 标记低置信度提取项
│
├── 高置信度（≥0.95）→ 直接输出
│
└── 低置信度（<0.95）→ [LLM 验证器] → 输出
实现
1. 正则表达式解析器（处理大多数情况）
import re
from dataclasses import dataclass
@dataclass(frozen=True)
class ParsedItem:
id: str
text: str
choices: tuple[str, ...]
answer: str
confidence: float = 1.0
def parse_structured_text(content: str) -> list[ParsedItem]:
"""Parse structured text using regex patterns."""
pattern = re.compile(
r"(?P<id>\d+)\.\s*(?P<text>.+?)\n"
r"(?P<choices>(?:[A-D]\..+?\n)+)"
r"Answer:\s*(?P<answer>[A-D])",
re.MULTILINE | re.DOTALL,
)
items = []
for match in pattern.finditer(content):
choices = tuple(
c.strip() for c in re.findall(r"[A-D]\.\s*(.+)", match.group("choices"))
)
items.append(ParsedItem(
id=match.group("id"),
text=match.group("text").strip(),
choices=choices,
answer=match.group("answer"),
))
return items
2. 置信度评分
标记可能需要 LLM 审核的项：
@dataclass(frozen=True)
class ConfidenceFlag:
item_id: str
score: float
reasons: tuple[str, ...]
def score_confidence(item: ParsedItem) -> ConfidenceFlag:
"""Score extraction confidence and flag issues."""
reasons = []
score = 1.0
if len(item.choices) < 3:
reasons.append("few_choices")
score -= 0.3
if not item.answer:
reasons.append("missing_answer")
score -= 0.5
if len(item.text) < 10:
reasons.append("short_text")
score -= 0.2
return ConfidenceFlag(
item_id=item.id,
score=max(0.0, score),
reasons=tuple(reasons),
)
def identify_low_confidence(
items: list[ParsedItem],
threshold: float = 0.95,
) -> list[ConfidenceFlag]:
"""Return items below confidence threshold."""
flags = [score_confidence(item) for item in items]
return [f for f in flags if f.score < threshold]
3. LLM 验证器（仅用于边缘情况）
def validate_with_llm(
item: ParsedItem,
original_text: str,
client,
) -> ParsedItem:
"""Use LLM to fix low-confidence extractions."""
response = client.messages.create(
model="codex-fast-4-5-20251001", # Cheapest model for validation
max_tokens=500,
messages=[{
"role": "user",
"content": (
f"Extract the question, choices, and answer from this text.\n\n"
f"Text: {original_text}\n\n"
f"Current extraction: {item}\n\n"
f"Return corrected JSON if needed, or 'CORRECT' if accurate."
),
}],
)
# Parse LLM response and return corrected item...
return corrected_item
4. 混合管道
def process_document(
content: str,
*,
llm_client=None,
confidence_threshold: float = 0.95,
) -> list[ParsedItem]:
"""Full pipeline: regex -> confidence check -> LLM for edge cases."""
# Step 1: Regex extraction (handles 95-98%)
items = parse_structured_text(content)
# Step 2: Confidence scoring
low_confidence = identify_low_confidence(items, confidence_threshold)
if not low_confidence or llm_client is None:
return items
# Step 3: LLM validation (only for flagged items)
low_conf_ids = {f.item_id for f in low_confidence}
result = []
for item in items:
if item.id in low_conf_ids:
result.append(validate_with_llm(item, content, llm_client))
else:
result.append(item)
return result
实际指标
来自一个生产中的测验解析管道（410 个项目）：
| 指标 | 值 |
|---|---|
| 正则表达式成功率 | 98.0% |
| 低置信度项目 | 8 (2.0%) |
| 所需 LLM 调用次数 | ~5 |
| 相比全 LLM 的成本节省 | ~95% |
| 测试覆盖率 | 93% |
最佳实践
- 从正则表达式开始 — 即使不完美的正则表达式也能提供一个改进的基线
- 使用置信度评分 来以编程方式识别需要 LLM 帮助的内容
- 使用最便宜的 LLM 进行验证（Fast 类模型已足够）
- 切勿修改 已解析的项 — 从清理/验证步骤返回新实例
- TDD 效果很好 用于解析器 — 首先为已知模式编写测试，然后是边缘情况
- 记录指标（正则表达式成功率、LLM 调用次数）以跟踪管道健康状况
应避免的反模式
- 当正则表达式能处理 95% 以上的情况时，将所有文本发送给 LLM（昂贵且缓慢）
- 对自由格式、高度可变的文本使用正则表达式（LLM 在此处更合适）
- 跳过置信度评分，希望正则表达式“能正常工作”
- 在清理/验证步骤中修改已解析的对象
- 不测试边缘情况（格式错误的输入、缺失字段、编码问题）
适用场景
- 测验/考试题目解析
- 表单数据提取
- 发票/收据处理
- 文档结构解析（标题、章节、表格）
- 任何具有重复模式且成本重要的结构化文本