正则（Regex）vs LLM 结构化文本解析决策框架
概述
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。核心洞察：正则表达式（Regex）能够廉价且确定性地处理 95-98% 的情况，将昂贵的 LLM 调用留给剩余的边缘案例。
何时使用
- 解析具有重复模式的结构化文本（题目、表单、表格）
- 在正则和 LLM 之间做文本提取技术选型
- 构建结合两种方法的混合管道（Hybrid Pipeline）
- 优化文本处理中的成本/准确率权衡
决策框架
文本格式是否一致且重复？
├── 是（>90% 遵循同一模式）→ 从正则开始
│ ├── 正则处理 95%+ → 完成，不需要 LLM
│ └── 正则处理 <95% → 仅对边缘案例使用 LLM
└── 否（自由格式、高度可变）→ 直接使用 LLM
架构模式
源文本
│
▼
[正则解析器] ─── 提取结构（95-98% 准确率）
│
▼
[文本清理器] ─── 移除噪声（标记、页码、伪影）
│
▼
[置信度评分器] ─── 标记低置信度提取
│
├── 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]:
"""使用正则模式解析结构化文本。"""
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（Confidence Scoring）
标记可能需要 LLM 审查的条目：
@dataclass(frozen=True)
class ConfidenceFlag:
item_id: str
score: float
reasons: tuple[str, ...]
def score_confidence(item: ParsedItem) -> ConfidenceFlag:
"""评估提取置信度并标记问题。"""
reasons = []
score = 1.0
if len(item.choices) < 3:
reasons.append("few_choices") # 选项过少
score -= 0.3
if not item.answer:
reasons.append("missing_answer") # 缺少答案
score -= 0.5
if len(item.text) < 10:
reasons.append("short_text") # 文本过短
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]:
"""返回低于置信度阈值的条目。"""
flags = [score_confidence(item) for item in items]
return [f for f in flags if f.score < threshold]
3. LLM 验证器（仅处理边缘案例）
def validate_with_llm(
item: ParsedItem,
original_text: str,
client,
) -> ParsedItem:
"""使用 LLM 修复低置信度的提取结果。"""
response = client.messages.create(
model="claude-haiku-4-5-20251001", # 用最便宜的模型做验证
max_tokens=500,
messages=[{
"role": "user",
"content": (
f"从以下文本中提取题目、选项和答案。\n\n"
f"文本：{original_text}\n\n"
f"当前提取结果：{item}\n\n"
f"如需纠正请返回 JSON，如准确则返回 'CORRECT'。"
),
}],
)
# 解析 LLM 响应并返回纠正后的条目...
return corrected_item
4. 混合管道（Hybrid Pipeline）
def process_document(
content: str,
*,
llm_client=None,
confidence_threshold: float = 0.95,
) -> list[ParsedItem]:
"""完整管道：正则 -> 置信度检查 -> LLM 处理边缘案例。"""
# 步骤 1：正则提取（处理 95-98%）
items = parse_structured_text(content)
# 步骤 2：置信度评分
low_confidence = identify_low_confidence(items, confidence_threshold)
if not low_confidence or llm_client is None:
return items
# 步骤 3：LLM 验证（仅针对标记的条目）
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
真实场景指标
来自生产环境的测验解析管道（410 个条目）：
| 指标 | 值 |
|---|---|
| 正则成功率 | 98.0% |
| 低置信度条目 | 8（2.0%） |
| 所需 LLM 调用 | ~5 次 |
| 相比全 LLM 方案的成本节省 | ~95% |
| 测试覆盖率 | 93% |
最佳实践
- 从正则开始 — 即使不完美的正则也能提供一个可改进的基线
- 使用置信度评分以编程方式识别哪些内容需要 LLM 辅助
- 使用最便宜的 LLM 做验证（Haiku 级别的模型即可胜任）
- 永不修改已解析的条目 — 在清理/验证步骤中返回新实例
- TDD 非常适合解析器 — 先为已知模式编写测试，再处理边缘案例
- 记录指标（正则成功率、LLM 调用次数）以追踪管道健康状况
应避免的反模式
- 当正则能处理 95%+ 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（LLM 在这方面更好）
- 跳过置信度评分，期望正则"就是能用"
- 在清理/验证步骤中修改已解析对象
- 不测试边缘案例（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关注成本的结构化文本处理