如何使用Apache Tika Server实现NER命名实体识别功能

你已经调通基础元数据接口的前提下，按以下步骤配置即可拿到NER识别结果：

• 首先确认服务端已加载NER能力模块
  默认启动的Tika Server（包括tika-docker默认镜像）不会默认开启NER功能：启动服务前需要确保服务类路径包含OpenNLP相关解析依赖，同时提前把对应语言的OpenNLP预训练NER模型（.bin格式）放到Tika的模型扫描目录下，服务启动时会自动加载识别到的NER模型，启动日志里能看到NER解析组件加载成功的记录。
• 调整接口请求头，开启NER元数据返回
  你之前调用的/meta接口默认不会输出NER字段，请求时新增 X-Tika-ParserIncludeNERMetadata: true 请求头即可触发NER识别，修改后的请求命令如下：

  curl -T test.txt http://localhost:9998/meta \
    --header "Accept: application/json" \
    --header "X-Tika-ParserIncludeNERMetadata: true" | jq
  

  请求正常返回的JSON结果中，会新增NER_PERSON（人名）、NER_LOCATION（地名）、NER_ORGANIZATION（组织机构名）等对应实体类型的字段，字段值就是识别到的实体列表。
• 如果需要获取实体在原文中的位置信息，改用递归元数据接口
  如果你需要实体对应的原文位置偏移量、或者带标注的完整正文内容，调用/rmeta/text接口即可，请求示例：

  curl -T test.txt http://localhost:9998/rmeta/text \
    --header "Accept: application/json" \
    --header "X-Tika-ParserIncludeNERMetadata: true" | jq
  

  返回结果中会同时包含完整正文内容、所有实体的类型、值以及对应的位置偏移信息。

常见排查点：如果加了请求头还是没有NER相关字段返回，优先检查两点：一是服务启动日志里是否有NER模型加载失败的报错，模型路径不对、模型和OpenNLP版本不匹配都会导致加载失败；二是检查传入的文件文本是否存在乱码，乱码内容无法被NER模块正常识别。

内容的提问来源于stack exchange，提问作者Tom