企业官网建设流程全解析

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：

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 GPU，CPU 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_url=API_URL, model=MODEL_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, json=payload, timeout=120) 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_ascii=False, indent=2))

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.txt

input/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 19:30，XX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(parents=True, exist_ok=True) success_count = 0 fail_count = 0 with open(INPUT_FILE, "r", encoding="utf-8") as fin, \ open(OUTPUT_FILE, "a", encoding="utf-8") as fout, \ open(OUTPUT_FAILED, "a", encoding="utf-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_ascii=False) + "\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(f"done, 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_retry=3, base_delay=2): for attempt in range(max_retry): try: content = extract_activity_info(text) return content except Exception as e: print(f"attempt={attempt + 1}, error={e}") if attempt < max_retry - 1: time.sleep(base_delay * (attempt + 1)) raise RuntimeError(f"failed 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", encoding="utf-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(index=False))

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, f"missing 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 uvicorn

from 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_model=ActivityResponse) 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

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。