一.解析器
1.解析器的方法
输出解析器是一种专用于处理和构建语言模型响应的类。一个基本的输出解析器类通常需要实现两个核心方法。
get_format_instructions：这个方法需要返回一个字符串，用于指导如何格式化语言模型的输出，告诉它应该如何组织并构建它的回答。parse：这个方法接收一个字符串（也就是语言模型的输出）并将其解析为特定的数据结构或格式。这一步通常用于确保模型的输出符合我们的预期，并且能够以我们需要的形式进行后续处理。
还有一个可选的方法。
parse_with_prompt：这个方法接收一个字符串（也就是语言模型的输出）和一个提示（用于生成这个输出的提示），并将其解析为特定的数据结构。这样，你可以根据原始提示来修正或重新解析模型的输出，确保输出的信息更加准确和贴合要求。
2.解析器的类别
列表解析器（List Parser）
日期时间解析器（Datetime Parser）
枚举解析器（Enum Parser）
结构化输出解析器（Structured Output Parser）
Pydantic（JSON）解析器：这个解析器用于处理模型的输出，当模型的输出应该是一个符合特定格式的JSON对象时使用。它使用Pydantic库，这是一个数据验证库，可以用于构建复杂的数据模型，并确保模型的输出符合预期的数据模型。
自动修复解析器（Auto-Fixing Parser）：这个解析器可以自动修复某些常见的模型输出错误。例如，如果模型的输出应该是一段文本，但是模型返回了一段包含语法或拼写错误的文本，自动修复解析器可以自动纠正这些错误。
重试解析器（RetryWithErrorOutputParser）：这个解析器用于在模型的初次输出不符合预期时，尝试修复或重新生成新的输出。例如，如果模型的输出应该是一个日期，但是模型返回了一个字符串，那么重试解析器可以重新提示模型生成正确的日期格式。
本文就重点谈谈Pydantic（JSON）解析器、自动修复解析器和重试解析器。
二.Pydantic（JSON）解析器实战
1.构造模型
import os
from langchain import OpenAI
model = OpenAI(model_name='gpt-3.5-turbo-instruct')
这部分代码我们选择text-davinci-003作为大语言模型。
2.定义输出数据格式
# 创建一个空的DataFrame用于存储结果
import pandas as pd
df = pd.DataFrame(columns=["flower_type", "price", "description", "reason"])
# 数据准备
flowers = ["玫瑰", "百合", "康乃馨"]
prices = ["50", "30", "20"]
# 定义我们想要接收的数据格式
from pydantic import BaseModel, Field
class FlowerDescription(BaseModel):
flower_type: str = Field(description="鲜花的种类")
price: int = Field(description="鲜花的价格")
description: str = Field(description="鲜花的描述文案")
reason: str = Field(description="为什么要这样写这个文案")
首先这里引用了pandas库，为最后的输出结果做一个存储容器。然后通过一个名为FlowerDescription的Pydantic BaseModel类，定义了期望的数据格式，也就是输出结果的格式，其中包括鲜花种类，价格，描述以及理由。
在这里我们用到了负责数据格式验证的Pydantic库来创建带有类型注解的类FlowerDescription，它可以自动验证输入数据，确保输入数据符合指定的类型和其他验证条件。
3.创建输出解析器
# 创建输出解析器
from langchain.output_parsers import PydanticOutputParser
output_parser = PydanticOutputParser(pydantic_object=FlowerDescription)
# 获取输出格式指示
format_instructions = output_parser.get_format_instructions()
# 打印提示
print("输出格式：",format_instructions)
先使用LangChain库中的PydanticOutputParser创建了输出解析器，传入的参数指定为FlowerDescription，这样解析器就能基于它的格式进行输出。然后使用解析器的get_format_instructions方法获取了输出格式的指示。
我们来看看输出的结果:
这部分是通过
output_parser.get_format_instructions()方法生成的，这是Pydantic (JSON) 解析器的核心价值。同时它也算得上是一个很清晰的提示模板，能够为模型提供良好的指导，描述了模型输出应该符合的格式。（其中description中的中文被转成了UTF-8编码。）
它指示模型输出JSON Schema的形式，定义了一个有效的输出应该包含哪些字段，以及这些字段的数据类型。例如，它指定了 "flower_type" 字段应该是字符串类型，"price" 字段应该是整数类型。这个指示中还提供了一个例子，说明了什么是一个格式良好的输出。
注释：在理解这部分代码时，我碰到了一个疑惑的点：这里的代码已经给出了我们想要接受的数据格式，那为什么还要在解析器中获取输出格式提示，这两步有什么区别呢？下面是豆包给我的答案。
- 定义数据格式
FlowerDescription侧重于从程序处理数据的角度规定数据的结构，是为了方便后续的数据存储、传递和处理，让程序能够理解数据的类型和组成部分。 - 获取输出格式提示
format_instructions侧重于指导数据的生成过程，使得生成的数据能够符合预先定义的数据格式，主要是为了沟通（如人机交互或者程序之间传递生成要求）而提供的一种格式化的说明。
4.创建提示模板
# 创建提示模板
from langchain import PromptTemplate
prompt_template = """您是一位专业的鲜花店文案撰写员。
对于售价为 {price} 元的 {flower} ，您能提供一个吸引人的简短中文描述吗？
{format_instructions}"""
# 根据模板创建提示，同时在提示中加入输出解析器的说明
prompt = PromptTemplate.from_template(
prompt_template,
partial_variables={"format_instructions": format_instructions}
)
# 打印提示
print("提示：", prompt)
这段代码就是创建一个提示模板，这个提示模板是一个用于生成模型输入的工具，我们在模板中定义了输入变量prompt_template，以及模板字符串的格式和结构format_instructions，然后使用这个模板来为每种鲜花生成一个描述。
5.解析输出
for flower, price in zip(flowers, prices):
# 根据提示准备模型的输入
input = prompt.format(flower=flower, price=price)
# 打印提示
print("提示：", input)
# 获取模型的输出
output = model(input)
# 解析模型的输出
parsed_output = output_parser.parse(output)
parsed_output_dict = parsed_output.dict() # 将Pydantic格式转换为字典
# 将解析后的输出添加到DataFrame中
df.loc[len(df)] = parsed_output.dict()
# 打印字典
print("输出的数据：", df.to_dict(orient='records'))
这部分是程序的主体，我们循环来处理所有的花和它们的价格。对于每种花，都根据提示模板创建了输入，然后获取模型的输出。然后使用之前创建的解析器来解析这个输出，并将解析后的输出添加到DataFrame中。最后打印出了所有的结果。我们来看下运行结果：
我们看到Pydantic的优点就是容易解析，而解析之后的字典格式的列表在进行数据分析、处理和存储时非常方便。每个字典代表一条记录，它的键即 "flower_type"、"price"、"description" 和 "reason"是字段名称，对应的值是这个字段的内容。这样一来，每个字段都对应一列，每个字典就是一行，适合以DataFrame的形式来表示和处理。
以上就是学习输出解析的内容了。
