PlantAI-rag/docs/guides/EXTRACTOR_INVENTORY.md

提取器清单 - 汇总整理

📁 目录结构建议

gene-family-mas-v2/
├── extractors/                    # 主提取器目录
│   ├── current/                   # 当前使用版本
│   │   ├── v12/                   # v12系列（最新）
│   │   ├── v10/                   # v10系列（附表支持）
│   │   └── fusion/                # 融合版（PC风格）
│   ├── archive/                   # 历史版本
│   │   ├── v7-v9/                 # 早期版本
│   │   └── phylogeny/             # 系统发育专用
│   └── utils/                     # 工具模块
├── src/rag/extractors/            # RAG集成提取器
└── scripts/extractors/            # 脚本提取器

---

🎯 当前推荐版本

1. 融合版提取器（推荐用于PC对标）

文件	版本	功能	状态
extractor_fusion_complete.py	v1.0	PC风格融合版，8种实体，7种关系	✅ 当前主用
extractor_pc_based.py	v1.0	基于PC规则库（788模式）	⚠️ 性能待优化
extractor_pc_complete.py	-	PC完整版	⚠️ 未完成

特点：

• 8种实体类型（gene, tissue, metabolite, process, compartment, chromosome, species, phylogeny_group）
• 7种关系（expressed_in, transports, located_on, grouped_with, involved_in, localizes_to, identified_in）
• 支持复合基因展开
• 证据验证

2. v12系列（最新完整版）

文件	路径	功能	状态
extract_v12_final.py	src/rag/extractors/	v12最终版，附表下载+章节补充	✅ 完整
extract_v12_1_fixed.py	src/rag/extractors/	v12.1修复版，保存章节文本	✅ 可用
extract_v12_1_complete.py	src/rag/extractors/	v12.1完整版	⚠️ 待验证

特点：

• 附表自动下载（Europe PMC）
• marker-pdf章节识别
• 章节补充（PyMuPDF+正则）
• 实体过滤
• gene-centric chunks
• 缺点：关系抽取不完整

3. v10系列（附表支持）

文件	路径	功能	状态
extract_v10_with_supplementary.py	scripts/extractors/	v10附表增强版	✅ 可用
extract_v10_final.py	scripts/extractors/	v10最终版	⚠️ 旧版
extract_v10_revised.py	scripts/extractors/	v10修订版	⚠️ 旧版

特点：

• 附表Excel解析
• 基因信息补充（染色体、蛋白等）
• 关系生成（belongs_to, located_in, expressed_in）
• 缺点：无附表自动下载

---

📊 各版本功能对比

功能	v7-v9	v10	v12	Fusion
PDF解析	✅	✅	✅	✅
附表下载	❌	❌	✅	❌
附表解析	⚠️	✅	✅	❌
章节识别	⚠️	⚠️	✅	⚠️
实体识别	✅	✅	✅	✅
关系抽取	✅	✅	⚠️	✅
消歧系统	❌	❌	❌	❌
PC规则库	❌	❌	❌	✅

---

🔧 工具模块

附表下载器

• src/rag/extractors/supplementary_downloader.py - Europe PMC附表下载
• scripts/utils/fetch_supplementary_data.py - 附表数据获取
• scripts/utils/universal_supplementary_fetcher.py - 通用附表获取

实体处理

• src/rag/extractors/gene_entity_filter.py - 基因实体过滤
• src/rag/extractors/gene_centric_chunker.py - gene-centric chunks生成

章节处理

• src/rag/extractors/section_trigger.py - 章节补充触发
• src/rag/extractors/section_supplementer.py - 章节补充器

---

🗂️ 归档版本（archive/old_extractors/）

系统发育专用（phylogeny系列）

• extract_phylogeny_v5_*.py - v5系列（ICL、universal、scrutiny等）
• extract_phylogeny_v6*.py - v6系列
• extract_phylogeny_v7*.py - v7系列

其他专用

• extract_abstract_only.py - 仅摘要
• extract_by_sections.py - 按章节
• extract_expression_*.py - 表达专用
• extract_methods*.py - 方法专用

---

🎯 使用建议

场景1：对标PC项目

推荐：extractor_fusion_complete.py

• 8种实体类型对齐PC
• 788个PC规则模式
• 关系标准化

场景2：完整提取（含附表）

推荐：extract_v12_final.py

• 自动下载附表
• 章节识别+补充
• gene-centric chunks

场景3：快速测试

推荐：extractor_fusion_complete.py 或 extract_v12_1_fixed.py

• 单文件运行
• 依赖少
• 结果直观

---

📝 待整理任务

1. 将旧版本（v7-v9）移动到 archive/
2. 将phylogeny系列归档到 archive/phylogeny/
3. 合并重复的附表下载器
4. 统一提取器接口
5. 添加版本说明文档
6. 删除重复文件（如 gene-family-mas-v3 嵌套目录）

---

🐛 已知问题

1. v12系列：关系抽取不完整，需要从附表生成关系
2. Fusion版：性能待优化（788个模式匹配慢）
3. 附表下载：Europe PMC偶尔超时，需要重试机制
4. 章节识别：marker-pdf对复杂格式PDF支持不佳

---

最后更新：2026-04-12 维护者：xialab的幸运星