刚拿到这条文案时它看起来只是一段普通的品牌直播预告“咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻”。如果只是人工阅读信息很直白但如果要把这段文案接入活动管理系统、自动生成日程提醒或投放报表第一件事就是把“代言人、日期、时间、平台、直播间、话题”等字段从自然语言里抽出来变成结构化数据。这次我们不讨论品牌策略只看技术实现。以一个真实的直播公告文本为输入样例走完基于正则表达式和大模型提示词的信息抽取流程覆盖字段设计、环境准备、批量处理、接口调用和常见问题排查。文中代码均使用通用写法适配本地 Python 环境和 OpenAI 兼容接口可以直接套用到品牌公告、展览通知、课程预告、社群活动等文本解析场景。本文适合三类读者一是做活动运营系统、需要自动解析公告文案的 Python 开发者二是正在学习提示词工程、想拿真实文本练手的大模型应用开发者三是想把自定义工具接到自动化流程里但不希望纯手工整理每条活动信息的测试和运维人员。整体难度中等不需要深厚算法基础只要会 Python 基础语法即可跟上。1. 活动文案信息抽取任务与数据形态信息抽取Information Extraction在业务系统里非常常见。对于一条活动文案我们希望输出稳定的 JSON 结构减少人工录入成本。以凡士林这条直播公告为样例目标字段可以拆成下面几类字段文案中的原始表达抽取难度建议处理方式代言人 / 嘉宾龚俊Simon低正则或大模型均可活动日期8月8日中正则提取再补年份逻辑活动时间段20:00-21:00低正则提取直播平台抖音中关键词匹配或大模型识别直播间名称凡士林官方旗舰店中括号匹配或大模型识别活动 slogan一起「龚」享浪漫时刻高建议用大模型抽取品牌归属凡士林中大模型识别更稳从数据形态看这类文案有几个特点时间信息不完整只有“8月8日”没有年份。平台名称、直播间名称往往用括号或“在……直播间”这类句式表达。社交媒体账号用 “用户名” 表示。带有营销性修辞比如“带着花来敲门啦”“「龚」享浪漫时刻”纯正则无法理解语义。输入文本非常短通常在 50 到 200 字之间很适合大模型一次性处理。最终希望得到的结构化 JSON 大概是{ brand: 凡士林, celebrity: 龚俊Simon, date: 2025-08-08, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻, raw_text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦... }后端系统拿到这份 JSON 后可以直接判断是否需要创建日程、推送给相关人员也可以存库后做后续统计。接下来先看最基础的实现路线。2. 环境准备与依赖安装整个方案不需要 GPUCPU 即可运行。涉及两个主要内容一是正则方案的 Python 脚本二是大模型 API 调用。如果希望结果更稳定可以接入本地 Ollama 服务或任意 OpenAI 兼容接口如果不想引入外部接口单用正则也能完成 70% 左右的字段抽取。建议 Python 版本为 3.9 以上并创建一个独立虚拟环境避免依赖冲突。python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate需要安装的库不多主要是pip install requests python-dateutil pandas说明requests用于调用大模型 API。python-dateutil用于把“月日”解析成完整日期处理年份推断。pandas用于批量结果聚合和本地展示。如果没有装 jieba 或 NLP 分词库这个场景不需要因为信息字段大多靠标点和关键词切分正则和大模型已经足够。3. 正则表达式抽取快速但有限先上一版纯正则可以跑通的方案。它的优点是快、可控、不需要外部服务缺点是遇到表达方式变化会漏抽。3.1 从文案中提取用户名和时间假设输入文本是一段短文案用 Python 正则提取 用户名、月日、时间段。import re from datetime import datetime text ( 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦 8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻 ) results {} # 1. 提取 用户名 m re.search(r([\w\u4e00-\u9fa5]), text) if m: results[celebrity] m.group(1) # 2. 提取月日 m re.search(r(\d{1,2})月(\d{1,2})日, text) if m: month int(m.group(1)) day int(m.group(2)) results[month] month results[day] day # 3. 提取时间段 m re.search(r(\d{1,2}:\d{2})-(\d{1,2}:\d{2}), text) if m: results[start_time] m.group(1) results[end_time] m.group(2) print(results)运行输出{celebrity: 龚俊Simon, month: 8, day: 8, start_time: 20:00, end_time: 21:00}这条文案的时间格式很规整所以正则一步就能拿到。需要注意的是如果时间是“晚上8点到9点”正则就失效了后续需要大模型兜底。3.2 提取平台与直播间名称平台关键词一般可以枚举直播间名称则依赖括号或固定句式。# 4. 提取平台 platform_keywords [抖音, 快手, 淘宝, 京东, 小红书, 视频号, 哔哩哔哩] for p in platform_keywords: if p in text: results[platform] p break # 5. 提取直播间名称 m re.search(r【([^】])】, text) if m: results[live_room] m.group(1) # 6. 如果文本里出现“一起「xx」”提取活动 slogan m re.search(r一起「([^」])」, text) if m: results[event_slogan] 一起「 m.group(1) 」 print(results)运行输出{ celebrity: 龚俊Simon, month: 8, day: 8, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻 }到这里8 个核心字段已经拿到 6 个只差品牌归属和完整日期。品牌归属可以简单用关键词表匹配但更通用做法还是交给大模型。3.3 正则方案的局限正则方案的优点非常明显零成本、毫秒级返回、便于调试。但实际业务里活动文案经常出现以下变化时间写成“8月8日晚上8点”而不是“20:00”。平台写成“抖爸爸”“蓝色小鸟”等网络昵称。直播间名称没有用括号而是写成“在凡士林官方旗舰店直播间等你”。品牌名没有直接出现只写了“凡士林官方旗舰店”。活动 slogan 带有大量标点符号和 Emoji正则很难精确切分。所以更稳的做法是把正则作为第一层兜底遇到漏抽字段再送入大模型做二次补充。接下来看大模型提示词抽取的具体实现。4. 大模型提示词抽取把一句话变成 JSON大模型擅长处理短文本语义抽取能理解“品牌代言人”“官方旗舰店”“一起「龚」享浪漫时刻”背后的结构关系。这里采用 OpenAI 兼容接口可以接本地 Ollama 服务也可以接其他厂商提供的兼容接口服务。4.1 提示词设计提示词是决定抽取效果的关键。不要把整段文案直接丢给模型就要求返回 JSON而应明确给出字段定义、输出格式和边界规则。system_prompt 你是一个活动公告信息抽取助手。用户会输入一段活动文案你需要从文案中抽取以下字段 - brand品牌名称例如“凡士林”。如果没有明确提到品牌可以给 null。 - celebrity参与活动的明星、代言人或嘉宾用户名。如果没有给 null。 - date活动日期格式 YYYY-MM-DD。文案通常只给“X月X日”请推断出最近的一个日期。 - start_time开始时间格式 HH:MM。 - end_time结束时间格式 HH:MM。如果没有明确结束时间给 null。 - platform直播平台或活动平台例如“抖音”“快手”。 - live_room直播间名称或会场名称。 - event_slogan活动口号或传播文案中的简短主题表达。 - raw_text原样保留用户输入的文案。 约束 1. 只能从输入文本中抽取信息不要编造文本中不存在的字段。 2. 如果某个字段在文本中找不到输出 null。 3. 只输出 JSON不要输出额外解释。 .strip() user_text ( 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦 8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻 )这里的关键点是给出“推断最近一个日期”的说明让模型把“8月8日”补全为具体年份而不是只输出“08-08”。4.2 调用兼容接口调用代码保持通用只需要替换接口地址和模型名。import requests import json API_URL http://127.0.0.1:8000/v1/chat/completions MODEL_NAME your-model-name def extract_activity_info(text, api_urlAPI_URL, modelMODEL_NAME): payload { model: model, messages: [ {role: system, content: system_prompt}, {role: user, content: text} ], temperature: 0, response_format: {type: json_object} } response requests.post(api_url, jsonpayload, timeout120) response.raise_for_status() content response.json()[choices][0][message][content] return content result_text extract_activity_info(user_text) print(result_text)注意如果接口服务不支持response_format参数可以去掉该参数同时在 system prompt 里明确要求“只输出 JSON不要输出 markdown 代码块”。4.3 解析返回结果很多大模型接口在温度较高时可能返回带 markdown 代码块的文本比如{brand: 凡士林}因此解析时要做兼容处理。import json import re def parse_model_json(content: str) - dict: content content.strip() # 去掉可能的 json 代码块包裹 if content.startswith(): content re.sub(r^(?:json)?\s*, , content) content re.sub(r\s*$, , content) try: return json.loads(content) except json.JSONDecodeError: # 如果 JSON 解析失败尝试从文本中截取第一个花括号到最后一个花括号 start content.find({) end content.rfind(}) if start ! -1 and end ! -1 and end start: return json.loads(content[start:end 1]) raise parsed parse_model_json(result_text) print(json.dumps(parsed, ensure_asciiFalse, indent2))在实际场景中用这套提示词抽出的结果大致如下{ brand: 凡士林, celebrity: 龚俊Simon, date: 2025-08-08, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻, raw_text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦... }到这里正则和大模型的组合思路已经跑通先用正则抽稳定字段再把漏掉的字段交给大模型补全。5. 批量任务一次性处理多条活动文案实际运营场景里输入往往是一批活动文案比如 50 条品牌公告、200 条课程预告。批量处理时不能一条条手动调接口需要设计一个可重复执行的批处理脚本。5.1 输入输出目录设计建议目录结构如下project/ ├── input/ │ └── activities.jsonl ├── output/ │ └── result.jsonl ├── process.py └── requirements.txtinput/activities.jsonl每行一条待处理文案{id: 1, text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻} {id: 2, text: 8月10日 19:30XX品牌开业直播视频号见}使用 JSONL 而不是 JSON 的好处是支持追加写入适合增量处理和断点续跑。5.2 批量脚本import json import time from pathlib import Path INPUT_FILE Path(input/activities.jsonl) OUTPUT_FILE Path(output/result.jsonl) OUTPUT_FAILED Path(output/failed.jsonl) def process_one(item): text item[text] # 这里调用前面定义的 extract_activity_info 和 parse_model_json content extract_activity_info(text) parsed parse_model_json(content) parsed[raw_text] text parsed[id] item[id] return parsed def main(): OUTPUT_FILE.parent.mkdir(parentsTrue, exist_okTrue) success_count 0 fail_count 0 with open(INPUT_FILE, r, encodingutf-8) as fin, \ open(OUTPUT_FILE, a, encodingutf-8) as fout, \ open(OUTPUT_FAILED, a, encodingutf-8) as ferr: for line in fin: line line.strip() if not line: continue try: item json.loads(line) result process_one(item) fout.write(json.dumps(result, ensure_asciiFalse) \n) success_count 1 print(f[OK] id{item.get(id)}) except Exception as e: fail_count 1 ferr.write(line \n) print(f[FAIL] id{item.get(id)}, error{e}) time.sleep(0.5) # 简单限速避免压垮本地接口 print(fdone, success{success_count}, fail{fail_count}) if __name__ __main__: main()这个脚本做了三件事逐行读取输入、调用大模型接口、把结果或失败样本分别写入不同文件。失败样本单独保存方便后续重新处理不至于把原始数据弄丢。5.3 失败重试策略批量调用本地大模型接口时最常遇到的问题是接口超时和进程卡死。建议在调用层增加一个简单的重试机制。def call_with_retry(text, max_retry3, base_delay2): for attempt in range(max_retry): try: content extract_activity_info(text) return content except Exception as e: print(fattempt{attempt 1}, error{e}) if attempt max_retry - 1: time.sleep(base_delay * (attempt 1)) raise RuntimeError(ffailed after {max_retry} retries: {text[:50]})加上重试后批处理脚本的稳定性会明显提升。如果单条文本较长可以适当把超时时间从 120 秒提高到 180 秒但不必制造过大的并发压力。6. 结果验证与本地展示大模型输出的结果不一定 100% 满足要求验证非常关键。一个轻量做法是把批量结果读进 pandas DataFrame检查字段是否完整、日期是否在合理范围。import pandas as pd import json rows [] with open(output/result.jsonl, r, encodingutf-8) as f: for line in f: line line.strip() if line: rows.append(json.loads(line)) df pd.DataFrame(rows) print(df[[id, brand, celebrity, date, start_time, end_time, platform, live_room]].to_string(indexFalse))输出示例id brand celebrity date start_time end_time platform live_room 1 凡士林 龚俊Simon 2025-08-08 20:00 21:00 抖音 凡士林官方旗舰店 2 XX品牌 None 2025-08-10 19:30 None 视频号 None如果看到关键字段大量为 null说明提示词需要调整或者输入文案本身确实缺少这些信息。比如第二条文案没有提“代言人”celebrity 为 null 是正常的。也可以在脚本里增加一个简单的校验函数def validate_result(data: dict): required [date, start_time, platform] for field in required: if not data.get(field): return False, fmissing field: {field} return True, ok校验规则可以根据业务需求灵活定义不一定要求所有字段都非空。7. 接口 API 与提醒调度扩展如果希望把抽取能力提供给其他系统可以封装成一个轻量 HTTP API。这里用 FastAPI 做示例。pip install fastapi uvicornfrom fastapi import FastAPI from pydantic import BaseModel app FastAPI() class ActivityRequest(BaseModel): text: str class ActivityResponse(BaseModel): brand: str | None None celebrity: str | None None date: str | None None start_time: str | None None end_time: str | None None platform: str | None None live_room: str | None None event_slogan: str | None None raw_text: str app.post(/api/extract, response_modelActivityResponse) def extract(req: ActivityRequest): content extract_activity_info(req.text) parsed parse_model_json(content) parsed[raw_text] req.text return parsed启动服务uvicorn api:app --host 127.0.0.1 --port 8000调用时只需要一个 POST 请求curl -X POST http://127.0.0.1:8000/api/extract \ -H Content-Type: application/json \ -d {text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻}接口跑通后可以继续扩展提醒能力。比如用 cron 定时扫描未来 24 小时内的活动生成日历提醒或推送到群机器人。这里的核心思路是先把文本转成结构化数据后续所有业务动作都基于系统里的date和start_time字段判断而不是继续人工读取原始文案。8. 常见问题与排查方法问题现象可能原因排查方式解决方案正则提取不到 用户名用户名包含中文、英文混合或下划线正则字符集过窄打印文本确认编码是否正常使用[\w\u4e00-\u9fa5]必要时允许点号和横线日期缺少年份文案只写“8月8日”检查生成结果 date 字段在提示词中要求推断最近一个日期或用 dateutil 兜底API 返回超时模型服务负载高或文本过长查看服务端日志检查 timeout 配置增加重试次数降低并发分批处理返回内容不是纯 JSON模型把 JSON 包在 markdown 代码块里打印返回原始文本在解析函数中兼容 markdown 代码块直播平台识别错误关键词表覆盖不全查看 platform 字段是否为空增加更多枚举关键词或改用大模型识别批量任务中途卡住某条文本触发异常没有走异常处理检查 failed.jsonl 是否有数据为单条处理加 try/except 和超时重试结果字段大量 null提示词字段定义不清楚或文案本身缺少信息打印原始文案确认信息是否真实存在调整提示词增加示例输出本地接口占用过高同时发起太多请求模型排队查看 CPU/GPU 占用和请求队列降低并发数增加 sleep 间隔最常踩的坑有两个一是接口返回结果没有稳定 JSON导致解析直接抛异常二是日期年份推断不统一同一批文案可能被推断到不同年份。建议在提示词中固定规则如果日期已经过去取下一年的同一天如果未来一年内存在就取最近的那个日期。这样可以减少结果波动。9. 最佳实践与合规边界把一条品牌直播文案转成结构化 JSON看起来只是一件小事但落到生产环境时还是建议注意几点。第一先小样本验证。不要一上来就批量处理几千条文本。先用 20 到 30 条文案跑一遍人工核对抽取结果确认准确率后再扩大规模。第二保留原始文本。在任何处理流程中raw_text都应该跟结构化字段一起保存。原始数据是可追溯的基础一旦发现解析错误还能回到原文审计。第三区分“规则可处理”和“规则不可处理”。正则快但脆大模型强但慢。常规状态直接用正则遇到未命中字段再调用大模型成本会更可控。第四接口服务必须限制访问范围。封装的 API 如果暴露到公网务必加鉴权或白名单避免被外部滥用。内部系统调用时建议只监听127.0.0.1或内网地址。第五重视版权与授权边界。本文示例是公开的品牌直播公告属于品牌主动发布的宣传内容可以用于技术学习和内部字段抽取演示。但如果要从社交媒体平台采集大量用户生成内容必须确认数据来源合法、处理目的合规不能绕过平台权限限制抓取用户隐私数据也不能把他人创作的营销文案直接用于商用数据库。涉及明星、品牌、肖像、声音等内容在实际业务系统中要保持警觉只处理已经获得合法授权的素材。第六对抽取结果建立人工复核机制。大模型输出有概率偏差自动抽取不能完全替代人工判断。建议在关键业务动作前增加审核步骤。10. 总结与下一步这条凡士林直播公告本身只是一段几十字的文案但把它变成结构化 JSON 后整条链路已经完整覆盖“文本输入、规则抽取、大模型补全、批量处理、API 封装、结果校验”六个环节。建议动手时先跑通正则版确认输入输出目录和失败样本记录逻辑再接入大模型接口。这样即使接口不稳定基础字段依然能先落库。最容易踩的坑是大模型返回 JSON 格式不稳定记得在解析层做兼容。后续可以继续扩展的方向包括把抽取结果自动写入日历系统用定时任务每 10 分钟扫描一批新增公告在接口层加入多模型路由策略给不同活动类型配置不同的提示词模板。对大多数品牌运营系统来说这一步完成后后续的排期、通知和报表工作就不需要再靠人工盯原文了。 活动文案信息抽取实战：正则与大模型提示词结合
刚拿到这条文案时它看起来只是一段普通的品牌直播预告“咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻”。如果只是人工阅读信息很直白但如果要把这段文案接入活动管理系统、自动生成日程提醒或投放报表第一件事就是把“代言人、日期、时间、平台、直播间、话题”等字段从自然语言里抽出来变成结构化数据。这次我们不讨论品牌策略只看技术实现。以一个真实的直播公告文本为输入样例走完基于正则表达式和大模型提示词的信息抽取流程覆盖字段设计、环境准备、批量处理、接口调用和常见问题排查。文中代码均使用通用写法适配本地 Python 环境和 OpenAI 兼容接口可以直接套用到品牌公告、展览通知、课程预告、社群活动等文本解析场景。本文适合三类读者一是做活动运营系统、需要自动解析公告文案的 Python 开发者二是正在学习提示词工程、想拿真实文本练手的大模型应用开发者三是想把自定义工具接到自动化流程里但不希望纯手工整理每条活动信息的测试和运维人员。整体难度中等不需要深厚算法基础只要会 Python 基础语法即可跟上。1. 活动文案信息抽取任务与数据形态信息抽取Information Extraction在业务系统里非常常见。对于一条活动文案我们希望输出稳定的 JSON 结构减少人工录入成本。以凡士林这条直播公告为样例目标字段可以拆成下面几类字段文案中的原始表达抽取难度建议处理方式代言人 / 嘉宾龚俊Simon低正则或大模型均可活动日期8月8日中正则提取再补年份逻辑活动时间段20:00-21:00低正则提取直播平台抖音中关键词匹配或大模型识别直播间名称凡士林官方旗舰店中括号匹配或大模型识别活动 slogan一起「龚」享浪漫时刻高建议用大模型抽取品牌归属凡士林中大模型识别更稳从数据形态看这类文案有几个特点时间信息不完整只有“8月8日”没有年份。平台名称、直播间名称往往用括号或“在……直播间”这类句式表达。社交媒体账号用 “用户名” 表示。带有营销性修辞比如“带着花来敲门啦”“「龚」享浪漫时刻”纯正则无法理解语义。输入文本非常短通常在 50 到 200 字之间很适合大模型一次性处理。最终希望得到的结构化 JSON 大概是{ brand: 凡士林, celebrity: 龚俊Simon, date: 2025-08-08, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻, raw_text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦... }后端系统拿到这份 JSON 后可以直接判断是否需要创建日程、推送给相关人员也可以存库后做后续统计。接下来先看最基础的实现路线。2. 环境准备与依赖安装整个方案不需要 GPUCPU 即可运行。涉及两个主要内容一是正则方案的 Python 脚本二是大模型 API 调用。如果希望结果更稳定可以接入本地 Ollama 服务或任意 OpenAI 兼容接口如果不想引入外部接口单用正则也能完成 70% 左右的字段抽取。建议 Python 版本为 3.9 以上并创建一个独立虚拟环境避免依赖冲突。python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate需要安装的库不多主要是pip install requests python-dateutil pandas说明requests用于调用大模型 API。python-dateutil用于把“月日”解析成完整日期处理年份推断。pandas用于批量结果聚合和本地展示。如果没有装 jieba 或 NLP 分词库这个场景不需要因为信息字段大多靠标点和关键词切分正则和大模型已经足够。3. 正则表达式抽取快速但有限先上一版纯正则可以跑通的方案。它的优点是快、可控、不需要外部服务缺点是遇到表达方式变化会漏抽。3.1 从文案中提取用户名和时间假设输入文本是一段短文案用 Python 正则提取 用户名、月日、时间段。import re from datetime import datetime text ( 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦 8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻 ) results {} # 1. 提取 用户名 m re.search(r([\w\u4e00-\u9fa5]), text) if m: results[celebrity] m.group(1) # 2. 提取月日 m re.search(r(\d{1,2})月(\d{1,2})日, text) if m: month int(m.group(1)) day int(m.group(2)) results[month] month results[day] day # 3. 提取时间段 m re.search(r(\d{1,2}:\d{2})-(\d{1,2}:\d{2}), text) if m: results[start_time] m.group(1) results[end_time] m.group(2) print(results)运行输出{celebrity: 龚俊Simon, month: 8, day: 8, start_time: 20:00, end_time: 21:00}这条文案的时间格式很规整所以正则一步就能拿到。需要注意的是如果时间是“晚上8点到9点”正则就失效了后续需要大模型兜底。3.2 提取平台与直播间名称平台关键词一般可以枚举直播间名称则依赖括号或固定句式。# 4. 提取平台 platform_keywords [抖音, 快手, 淘宝, 京东, 小红书, 视频号, 哔哩哔哩] for p in platform_keywords: if p in text: results[platform] p break # 5. 提取直播间名称 m re.search(r【([^】])】, text) if m: results[live_room] m.group(1) # 6. 如果文本里出现“一起「xx」”提取活动 slogan m re.search(r一起「([^」])」, text) if m: results[event_slogan] 一起「 m.group(1) 」 print(results)运行输出{ celebrity: 龚俊Simon, month: 8, day: 8, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻 }到这里8 个核心字段已经拿到 6 个只差品牌归属和完整日期。品牌归属可以简单用关键词表匹配但更通用做法还是交给大模型。3.3 正则方案的局限正则方案的优点非常明显零成本、毫秒级返回、便于调试。但实际业务里活动文案经常出现以下变化时间写成“8月8日晚上8点”而不是“20:00”。平台写成“抖爸爸”“蓝色小鸟”等网络昵称。直播间名称没有用括号而是写成“在凡士林官方旗舰店直播间等你”。品牌名没有直接出现只写了“凡士林官方旗舰店”。活动 slogan 带有大量标点符号和 Emoji正则很难精确切分。所以更稳的做法是把正则作为第一层兜底遇到漏抽字段再送入大模型做二次补充。接下来看大模型提示词抽取的具体实现。4. 大模型提示词抽取把一句话变成 JSON大模型擅长处理短文本语义抽取能理解“品牌代言人”“官方旗舰店”“一起「龚」享浪漫时刻”背后的结构关系。这里采用 OpenAI 兼容接口可以接本地 Ollama 服务也可以接其他厂商提供的兼容接口服务。4.1 提示词设计提示词是决定抽取效果的关键。不要把整段文案直接丢给模型就要求返回 JSON而应明确给出字段定义、输出格式和边界规则。system_prompt 你是一个活动公告信息抽取助手。用户会输入一段活动文案你需要从文案中抽取以下字段 - brand品牌名称例如“凡士林”。如果没有明确提到品牌可以给 null。 - celebrity参与活动的明星、代言人或嘉宾用户名。如果没有给 null。 - date活动日期格式 YYYY-MM-DD。文案通常只给“X月X日”请推断出最近的一个日期。 - start_time开始时间格式 HH:MM。 - end_time结束时间格式 HH:MM。如果没有明确结束时间给 null。 - platform直播平台或活动平台例如“抖音”“快手”。 - live_room直播间名称或会场名称。 - event_slogan活动口号或传播文案中的简短主题表达。 - raw_text原样保留用户输入的文案。 约束 1. 只能从输入文本中抽取信息不要编造文本中不存在的字段。 2. 如果某个字段在文本中找不到输出 null。 3. 只输出 JSON不要输出额外解释。 .strip() user_text ( 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦 8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻 )这里的关键点是给出“推断最近一个日期”的说明让模型把“8月8日”补全为具体年份而不是只输出“08-08”。4.2 调用兼容接口调用代码保持通用只需要替换接口地址和模型名。import requests import json API_URL http://127.0.0.1:8000/v1/chat/completions MODEL_NAME your-model-name def extract_activity_info(text, api_urlAPI_URL, modelMODEL_NAME): payload { model: model, messages: [ {role: system, content: system_prompt}, {role: user, content: text} ], temperature: 0, response_format: {type: json_object} } response requests.post(api_url, jsonpayload, timeout120) response.raise_for_status() content response.json()[choices][0][message][content] return content result_text extract_activity_info(user_text) print(result_text)注意如果接口服务不支持response_format参数可以去掉该参数同时在 system prompt 里明确要求“只输出 JSON不要输出 markdown 代码块”。4.3 解析返回结果很多大模型接口在温度较高时可能返回带 markdown 代码块的文本比如{brand: 凡士林}因此解析时要做兼容处理。import json import re def parse_model_json(content: str) - dict: content content.strip() # 去掉可能的 json 代码块包裹 if content.startswith(): content re.sub(r^(?:json)?\s*, , content) content re.sub(r\s*$, , content) try: return json.loads(content) except json.JSONDecodeError: # 如果 JSON 解析失败尝试从文本中截取第一个花括号到最后一个花括号 start content.find({) end content.rfind(}) if start ! -1 and end ! -1 and end start: return json.loads(content[start:end 1]) raise parsed parse_model_json(result_text) print(json.dumps(parsed, ensure_asciiFalse, indent2))在实际场景中用这套提示词抽出的结果大致如下{ brand: 凡士林, celebrity: 龚俊Simon, date: 2025-08-08, start_time: 20:00, end_time: 21:00, platform: 抖音, live_room: 凡士林官方旗舰店, event_slogan: 一起「龚」享浪漫时刻, raw_text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦... }到这里正则和大模型的组合思路已经跑通先用正则抽稳定字段再把漏掉的字段交给大模型补全。5. 批量任务一次性处理多条活动文案实际运营场景里输入往往是一批活动文案比如 50 条品牌公告、200 条课程预告。批量处理时不能一条条手动调接口需要设计一个可重复执行的批处理脚本。5.1 输入输出目录设计建议目录结构如下project/ ├── input/ │ └── activities.jsonl ├── output/ │ └── result.jsonl ├── process.py └── requirements.txtinput/activities.jsonl每行一条待处理文案{id: 1, text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻} {id: 2, text: 8月10日 19:30XX品牌开业直播视频号见}使用 JSONL 而不是 JSON 的好处是支持追加写入适合增量处理和断点续跑。5.2 批量脚本import json import time from pathlib import Path INPUT_FILE Path(input/activities.jsonl) OUTPUT_FILE Path(output/result.jsonl) OUTPUT_FAILED Path(output/failed.jsonl) def process_one(item): text item[text] # 这里调用前面定义的 extract_activity_info 和 parse_model_json content extract_activity_info(text) parsed parse_model_json(content) parsed[raw_text] text parsed[id] item[id] return parsed def main(): OUTPUT_FILE.parent.mkdir(parentsTrue, exist_okTrue) success_count 0 fail_count 0 with open(INPUT_FILE, r, encodingutf-8) as fin, \ open(OUTPUT_FILE, a, encodingutf-8) as fout, \ open(OUTPUT_FAILED, a, encodingutf-8) as ferr: for line in fin: line line.strip() if not line: continue try: item json.loads(line) result process_one(item) fout.write(json.dumps(result, ensure_asciiFalse) \n) success_count 1 print(f[OK] id{item.get(id)}) except Exception as e: fail_count 1 ferr.write(line \n) print(f[FAIL] id{item.get(id)}, error{e}) time.sleep(0.5) # 简单限速避免压垮本地接口 print(fdone, success{success_count}, fail{fail_count}) if __name__ __main__: main()这个脚本做了三件事逐行读取输入、调用大模型接口、把结果或失败样本分别写入不同文件。失败样本单独保存方便后续重新处理不至于把原始数据弄丢。5.3 失败重试策略批量调用本地大模型接口时最常遇到的问题是接口超时和进程卡死。建议在调用层增加一个简单的重试机制。def call_with_retry(text, max_retry3, base_delay2): for attempt in range(max_retry): try: content extract_activity_info(text) return content except Exception as e: print(fattempt{attempt 1}, error{e}) if attempt max_retry - 1: time.sleep(base_delay * (attempt 1)) raise RuntimeError(ffailed after {max_retry} retries: {text[:50]})加上重试后批处理脚本的稳定性会明显提升。如果单条文本较长可以适当把超时时间从 120 秒提高到 180 秒但不必制造过大的并发压力。6. 结果验证与本地展示大模型输出的结果不一定 100% 满足要求验证非常关键。一个轻量做法是把批量结果读进 pandas DataFrame检查字段是否完整、日期是否在合理范围。import pandas as pd import json rows [] with open(output/result.jsonl, r, encodingutf-8) as f: for line in f: line line.strip() if line: rows.append(json.loads(line)) df pd.DataFrame(rows) print(df[[id, brand, celebrity, date, start_time, end_time, platform, live_room]].to_string(indexFalse))输出示例id brand celebrity date start_time end_time platform live_room 1 凡士林 龚俊Simon 2025-08-08 20:00 21:00 抖音 凡士林官方旗舰店 2 XX品牌 None 2025-08-10 19:30 None 视频号 None如果看到关键字段大量为 null说明提示词需要调整或者输入文案本身确实缺少这些信息。比如第二条文案没有提“代言人”celebrity 为 null 是正常的。也可以在脚本里增加一个简单的校验函数def validate_result(data: dict): required [date, start_time, platform] for field in required: if not data.get(field): return False, fmissing field: {field} return True, ok校验规则可以根据业务需求灵活定义不一定要求所有字段都非空。7. 接口 API 与提醒调度扩展如果希望把抽取能力提供给其他系统可以封装成一个轻量 HTTP API。这里用 FastAPI 做示例。pip install fastapi uvicornfrom fastapi import FastAPI from pydantic import BaseModel app FastAPI() class ActivityRequest(BaseModel): text: str class ActivityResponse(BaseModel): brand: str | None None celebrity: str | None None date: str | None None start_time: str | None None end_time: str | None None platform: str | None None live_room: str | None None event_slogan: str | None None raw_text: str app.post(/api/extract, response_modelActivityResponse) def extract(req: ActivityRequest): content extract_activity_info(req.text) parsed parse_model_json(content) parsed[raw_text] req.text return parsed启动服务uvicorn api:app --host 127.0.0.1 --port 8000调用时只需要一个 POST 请求curl -X POST http://127.0.0.1:8000/api/extract \ -H Content-Type: application/json \ -d {text: 咚咚咚咚凡士林亚太区品牌代言人龚俊Simon 带着花来敲门啦8月8日 20:00-21:00【凡士林官方旗舰店】抖音直播间一起「龚」享浪漫时刻}接口跑通后可以继续扩展提醒能力。比如用 cron 定时扫描未来 24 小时内的活动生成日历提醒或推送到群机器人。这里的核心思路是先把文本转成结构化数据后续所有业务动作都基于系统里的date和start_time字段判断而不是继续人工读取原始文案。8. 常见问题与排查方法问题现象可能原因排查方式解决方案正则提取不到 用户名用户名包含中文、英文混合或下划线正则字符集过窄打印文本确认编码是否正常使用[\w\u4e00-\u9fa5]必要时允许点号和横线日期缺少年份文案只写“8月8日”检查生成结果 date 字段在提示词中要求推断最近一个日期或用 dateutil 兜底API 返回超时模型服务负载高或文本过长查看服务端日志检查 timeout 配置增加重试次数降低并发分批处理返回内容不是纯 JSON模型把 JSON 包在 markdown 代码块里打印返回原始文本在解析函数中兼容 markdown 代码块直播平台识别错误关键词表覆盖不全查看 platform 字段是否为空增加更多枚举关键词或改用大模型识别批量任务中途卡住某条文本触发异常没有走异常处理检查 failed.jsonl 是否有数据为单条处理加 try/except 和超时重试结果字段大量 null提示词字段定义不清楚或文案本身缺少信息打印原始文案确认信息是否真实存在调整提示词增加示例输出本地接口占用过高同时发起太多请求模型排队查看 CPU/GPU 占用和请求队列降低并发数增加 sleep 间隔最常踩的坑有两个一是接口返回结果没有稳定 JSON导致解析直接抛异常二是日期年份推断不统一同一批文案可能被推断到不同年份。建议在提示词中固定规则如果日期已经过去取下一年的同一天如果未来一年内存在就取最近的那个日期。这样可以减少结果波动。9. 最佳实践与合规边界把一条品牌直播文案转成结构化 JSON看起来只是一件小事但落到生产环境时还是建议注意几点。第一先小样本验证。不要一上来就批量处理几千条文本。先用 20 到 30 条文案跑一遍人工核对抽取结果确认准确率后再扩大规模。第二保留原始文本。在任何处理流程中raw_text都应该跟结构化字段一起保存。原始数据是可追溯的基础一旦发现解析错误还能回到原文审计。第三区分“规则可处理”和“规则不可处理”。正则快但脆大模型强但慢。常规状态直接用正则遇到未命中字段再调用大模型成本会更可控。第四接口服务必须限制访问范围。封装的 API 如果暴露到公网务必加鉴权或白名单避免被外部滥用。内部系统调用时建议只监听127.0.0.1或内网地址。第五重视版权与授权边界。本文示例是公开的品牌直播公告属于品牌主动发布的宣传内容可以用于技术学习和内部字段抽取演示。但如果要从社交媒体平台采集大量用户生成内容必须确认数据来源合法、处理目的合规不能绕过平台权限限制抓取用户隐私数据也不能把他人创作的营销文案直接用于商用数据库。涉及明星、品牌、肖像、声音等内容在实际业务系统中要保持警觉只处理已经获得合法授权的素材。第六对抽取结果建立人工复核机制。大模型输出有概率偏差自动抽取不能完全替代人工判断。建议在关键业务动作前增加审核步骤。10. 总结与下一步这条凡士林直播公告本身只是一段几十字的文案但把它变成结构化 JSON 后整条链路已经完整覆盖“文本输入、规则抽取、大模型补全、批量处理、API 封装、结果校验”六个环节。建议动手时先跑通正则版确认输入输出目录和失败样本记录逻辑再接入大模型接口。这样即使接口不稳定基础字段依然能先落库。最容易踩的坑是大模型返回 JSON 格式不稳定记得在解析层做兼容。后续可以继续扩展的方向包括把抽取结果自动写入日历系统用定时任务每 10 分钟扫描一批新增公告在接口层加入多模型路由策略给不同活动类型配置不同的提示词模板。对大多数品牌运营系统来说这一步完成后后续的排期、通知和报表工作就不需要再靠人工盯原文了。