📘 概述

LLMOutputParser 是一个结构化数据解析算子，专门用于解析大语言模型（LLM）生成的带有特定 XML 标签的响应文本。

该算子的核心功能是：

1. 标签解析：识别并提取 <chapter>、<qa_pair>、<question>、<answer>、<solution> 和 <label> 等标签中的内容。
2. ID 还原：将 LLM 返回的数字 ID 映射回原始的文本内容或图片标签（基于 MinerU2LLMInputOperator 生成的转换布局文件）。
3. 资源同步：自动将关联的图片从中间目录复制到最终输出目录，并修正图片引用路径。

__init__ 函数

def __init__(self,  
             output_dir: str, 
             intermediate_dir: str = "intermediate"
             )

init 参数说明

参数名	类型	默认值	说明
output_dir	str	必需	结构化数据及图片的最终输出根目录。
intermediate_dir	str	"intermediate"	中间件目录，用于寻找 MinerU 处理后的原始图片资源。

XML 标签协议

算子预设 LLM 会按照以下结构返回数据：

• <chapter>: 章节区块，内含标题和多个 QA 对。
• <title>: 章节标题对应的 ID。
• <qa_pair>: 单个问答对区块。
• <question> / <solution>: 对应内容的 ID 列表（如 1, 2, 5）。
• <answer>: 从 solution 中提取出的答案，是具体内容，不是ID
• <label>: 题目类型或标签信息，是真实序号，不是ID。

run 函数

def run(self, 
        storage: DataFlowStorage, 
        input_response_path_key: str, 
        input_converted_layout_path_key: str, 
        input_name_key: str, 
        output_qalist_path_key: str
        )

执行解析逻辑：读取 LLM 响应，对照布局 JSON 文件还原内容，保存为 JSONL 格式。

参数说明

名称	类型	默认值	说明
storage	DataFlowStorage	必需	数据流存储实例。
input_response_path_key	str	必需	LLM 原始响应文件的存储路径列名。
input_converted_layout_path_key	str	必需	转换后布局文件（_converted.json）的路径列名。
input_name_key	str	必需	用于区分任务的名称列，决定了输出文件夹的命名。
output_qalist_path_key	str	必需	输出 JSONL 文件的路径列名。

🧠 示例逻辑

1. ID 还原过程

假设 LLM 返回：<question>1, 3</question> 算子会查找布局 JSON 中 id 为 1 和 3 的项：

• 如果 id: 1 是文本 "什么是 AI？"，id: 3 是图片 path/to/img.png。
• 还原后的内容为：什么是 AI？\n![image](vqa_images/img.png)。

2. 输出文件结构

执行后，cache_path 下的目录结构如下：

cache_path/
└── {name}/
    ├── extracted_questions.jsonl  # 结构化数据
    └── vqa_images/           # 自动同步过来的图片
        ├── img1.png
        └── ...

3. JSONL 输出示例

{
  "question": "请看下图并分析：\n![image](vqa_images/img1.png)",
  "answer": "这是解析后的答案文本",
  "solution": "详细的解题步骤...",
  "label": "1",
  "chapter_title": "第一章 基础概论"
}