在现实数据驱动应用中，许多场景依赖结构化文本记录（如临床分诊笔记、金融交易日志）进行下游学习与决策。然而，在隐私敏感领域（如医疗、金融），对这些记录的访问受到严格监管，通常只能获得少量私有样本用于模型开发与分析。现有的差分隐私数据合成方法面临困境：表格方法无法忠实建模自由文本，而基于文本的方法又常常破坏结构化约束。为此，本文提出 SelPE（Selection-guided Progressive Evolution），一种针对小样本私有结构化文本合成的选择引导渐进进化框架。SelPE 不依赖噪声聚合或私有模型训练，而是将隐私预算集中在一系列多批 top-1 选择上，从而在严格的隐私约束下实现高效引导。为了支持忠实且有效的合成，SelPE 通过两阶段生成流水线将语义抽象与模式实现解耦，并利用多通道距离核（同时建模文本、类别和数值字段的原始表示）评估候选样本。此外，非私有对比扩展机制在不增加额外隐私成本的前提下促进了多样性。广泛的实验表明，在严格的差分隐私预算下，SelPE 在低数据场景中持续提升了结构有效性、保真度和下游效用。该方法为隐私保护下的结构化数据合成提供了新思路，特别适用于数据稀疏但结构化要求高的领域。