Stanford nlp 斯坦福核心NLP NER输出

我使用grep和awk从英语文本的“内联XML”中提取命名实体，我希望在其他人类语言中使用相同的更大工作流

我一直在尝试法语（西班牙语似乎给我带来了一个Java错误，这是另一个故事），使用

java-cp stanford-corenlp-4.0.0/stanford-corenlp-4.0.0.jar:stanford-corenlp-4.0.0-models-french.jar edu.stanford.nlp.pipeline.StanfordCoreNLP-properties-StanfordCoreNLP-french.properties-file-french-outputFormat text

我得到标准文本输出，其中每一句都有各种类型的注释，包括正确分组在一起的多单词实体，如下所示：

Extracted the following NER entity mentions:
Puget Sound LOC I-LOC:0.9822963367809222
lac Washington  LOC I-LOC:0.9908561818309122
Canada  LOC I-LOC:0.9804363858330243
États-Unis  LOC I-LOC:0.9973224740712531

我知道解析它是可能的，但是当我真的只需要整个文件中的实体列表时，这看起来像是浪费了很多处理

我还能够使用

java-cp stanford-corenlp-4.0.0/stanford-corenlp-4.0.0.jar:stanford-corenlp-4.0.0-models-french.jar edu.stanford.nlp.pipeline.StanfordCoreNLP-properties-StanfordCoreNLP-french.properties-file-french.txt-output.columns word，ner-outputFormat conll获得word和ner类型的列

Puget   I-LOC
Sound   I-LOC
et  O
le  O
lac I-LOC
Washington  I-LOC
,   O
à   O
environ O
155 O
km  O
à   O
le  O
sud O
de  O
la  O
frontière   O
entre   O
le  O
Canada  I-LOC
et  O
les O
États-Unis  I-LOC
.   O

除了有点凌乱之外，这还会将多个单词实体分开，从而无法按比例重新缝合

我更喜欢内联xml（例如，

PugetSound

），因为我已经开发了一个工作流程来使用它，但是如果不可能，是否至少有一种方法可以获得TSV输出（如早期的

conll

版本），将多个单词实体分组在一起，就像在文本输出中一样

---

我已经研究了实体提及注释器，但是我还没有弄清楚它，如果它需要培训，那么我宁愿不使用它。默认文本输出的分组足以满足我的需要。

我在GitHub上的最新代码中添加了

inlineXML

作为

ouputFormat

选项。这一变化在刚刚发布的4.1.0版中不可用。GitHub站点上有关于如何将代码构建到jar中的说明

---

GitHub站点：

完美！非常感谢你！