企业官网建设流程全解析

知识图谱实战（一）：数据采集与实体关系抽取（完整代码）

从文档/网页里抽"实体和关系"，拼成三元组，这是知识图谱的原材料。这篇讲清楚：数据从哪来、怎么把文字变成 (头实体, 关系, 尾实体)，给一套完整可运行的抽取代码，并为 《知识图谱（二）Neo4j 构建》/《知识图谱（三）GraphRAG》的图谱构建与调用打底。

前言

上一篇 RAG 系列用向量检索解决"找相似内容"，但遇到"任正非和华为是什么关系""华为的产品有哪些"这种精确关系问题，向量检索就力不从心了。知识图谱（Knowledge Graph）是另一种答案：把知识存成"实体—关系—实体"的图结构，用图查询精确回答关系型问题。

完整流程三步：采集数据 → 构建图谱（抽取三元组 + 存进图数据库）→ 调用查询。这篇做第一步：采集与抽取。

一、整体流程（先看地图）

数据采集（爬虫/公开数据） ↓ 清洗与预处理 ↓ 实体关系抽取（规则 / LLM 两种方式） ↓ 输出三元组（head, relation, tail） ↓ 【《知识图谱（二）Neo4j 构建》】Neo4j 建图 → 【《知识图谱（三）GraphRAG》】图查询 / GraphRAG

知识图谱三要素：实体（Entity）——人、公司、地点等；关系（Relation）——“创始人”"总部位于"等；三元组——(华为, 创始人, 任正非)一条知识。

二、数据采集（来源与方法）

采集方式取决于数据在哪：

本文为了"开箱即跑"，用一段内置的示例文本演示（真实采集请换成 《爬虫实战》的方法抓取你关心的领域）。

三、环境准备（先装依赖）

pip install requests beautifulsoup4 :: 词典分词可选：pip install jieba

四、完整代码：规则式抽取（可运行）

保存为kg_extract.py：

# kg_extract.py — 从文本抽取三元组，输出 triples.csv（完整可运行）importreimportcsv# 1. 数据：实际项目中换成爬虫/文档采集结果（见 《爬虫实战》）docs=["华为技术有限公司成立于1987年，总部位于深圳。","任正非是华为的创始人。","华为生产手机、路由器、交换机等产品。","任正非出生于贵州。",]# 2. 关系规则：正则匹配（原理展示，规则简单清晰）RELATION_PATTERNS=[(r"(.+?)成立于(\d{4}年)","成立时间"),(r"(.+?)总部位于(.+?)","总部位于"),(r"(.+?)是(.+?)的创始人","创始人"),(r"(.+?)生产(.+?)、(.+?)、(.+?)等产品","生产"),]# 3. 抽取defextract_triples(text):triples=[]forpattern,relinRELATION_PATTERNS:m=re.search(pattern,text)ifm:groups=m.groups()head=groups[0]fortailingroups[1:]:triples.append((head,rel,tail))returntriples all_triples=[]fordocindocs:all_triples+=extract_triples(doc)# 4. 去重并输出 CSV（utf-8-sig 防 Excel 乱码）seen=set()rows=[]forh,r,tinall_triples:if(h,r,t)notinseen:seen.add((h,r,t))rows.append([h,r,t])withopen("triples.csv","w",newline="",encoding="utf-8-sig")asf:writer=csv.writer(f)writer.writerow(["head","relation","tail"])writer.writerows(rows)print("抽取到",len(rows),"条三元组：")forrinrows:print(" ",r)

运行验证：python kg_extract.py，期望看到打印 5 条左右三元组（如['华为技术有限公司', '总部位于', '深圳']），并生成triples.csv（三列：head/relation/tail）——采集→抽取链路即通。

五、进阶：LLM 抽取（效果更好，直接可用）

规则式覆盖不了复杂句子，换成让大模型抽——本地 Ollama 或云端 API 都行：

# kg_extract_llm.py — LLM 抽取三元组（需本地 Ollama 或改 API）importjsonimportrequestsimportcsv OLLAMA_URL="http://localhost:11434/api/generate"# 本地 OllamaMODEL="qwen2.5:7b"defllm_extract(text):prompt=("你是知识图谱构建助手。从下面的文本中抽取所有三元组，""只输出 JSON 数组，格式：[{\"head\": \"实体\", \"relation\": \"关系\", \"tail\": \"实体\"}]\n"f"文本：{text}")resp=requests.post(OLLAMA_URL,json={"model":MODEL,"prompt":prompt,"stream":False},timeout=60)content=resp.json()["response"]# 提取 JSON 数组部分start=content.find("[")end=content.rfind("]")+1returnjson.loads(content[start:end])text="华为技术有限公司1987年成立于深圳，任正非是其创始人，主要生产手机、路由器等通信设备。"triples=llm_extract(text)print("LLM 抽取结果：")fortintriples:print(" ",t)withopen("triples_llm.csv","w",newline="",encoding="utf-8-sig")asf:w=csv.writer(f)w.writerow(["head","relation","tail"])w.writerows([[t["head"],t["relation"],t["tail"]]fortintriples])

运行验证：启动 Ollama（ollama run qwen2.5:7b先拉模型），运行脚本，期望打印带关系的三元组 JSON，并生成triples_llm.csv。没装 Ollama 就把OLLAMA_URL换成任何 OpenAI 兼容接口。

六、常见坑

七、总结

• 一句话：知识图谱 = 三元组集合；三元组 = 采集数据 + 实体关系抽取；
• 这篇产出triples.csv，正是 《知识图谱（二）Neo4j 构建》 Neo4j 建图的输入——三篇连起来就是完整流程；
• 接单角度：企业知识图谱（人事档案、供应链、文档体系）第一步都是"数据抽取成三元组"，这套代码是通用起点。

觉得有用点个赞收藏，下一篇《知识图谱（二）：Neo4j 构建与导入》见。