如何利用CoreNLP分组NER标签以提取完整实体信息？

嘿，这个问题我太熟了！CoreNLP的NER结果处理确实需要点小技巧，尤其是连续token组成的实体（比如人名、日期），我给你一步步拆解：

一、分组连续的命名实体（比如提取Ellen Wexler） #

CoreNLP的NER标签分两种格式：一种是直接的PERSON/DATE，另一种是带前缀的B-PERSON（实体开头）、I-PERSON（实体中间/结尾）——后者是更精细的标注，用来区分同一个实体的不同token。

处理思路很简单：遍历句子里的每个CoreLabel，跟踪当前正在处理的实体标签和对应的token集合，遇到标签变化（或者B-开头的新实体）时，就把之前的实体存下来。

给你个Java代码示例：

import edu.stanford.nlp.ling.CoreLabel;
import edu.stanford.nlp.pipeline.CoreDocument;
import edu.stanford.nlp.pipeline.StanfordCoreNLP;

import java.util.ArrayList;
import java.util.List;
import java.util.Properties;

public class NERGroupingExample {
    public static void main(String[] args) {
        // 初始化CoreNLP管道，启用NER
        Properties props = new Properties();
        props.setProperty("annotators", "tokenize,ssplit,pos,lemma,ner");
        StanfordCoreNLP pipeline = new StanfordCoreNLP(props);

        // 示例句子
        String text = "Ellen Wexler was born on February 9, 2016.";
        CoreDocument document = new CoreDocument(text);
        pipeline.annotate(document);

        // 存储分组后的实体：key是NER标签，value是实体字符串列表
        List<Entity> entities = new ArrayList<>();
        Entity currentEntity = null;

        for (CoreLabel token : document.tokens()) {
            String nerTag = token.ner();
            // 跳过非实体标签（比如O）
            if ("O".equals(nerTag)) {
                if (currentEntity != null) {
                    entities.add(currentEntity);
                    currentEntity = null;
                }
                continue;
            }

            // 处理B-开头的新实体
            if (nerTag.startsWith("B-")) {
                if (currentEntity != null) {
                    entities.add(currentEntity);
                }
                String entityType = nerTag.substring(2);
                currentEntity = new Entity(entityType, token.word());
            }
            // 处理I-开头的同实体后续token
            else if (nerTag.startsWith("I-")) {
                if (currentEntity != null && nerTag.substring(2).equals(currentEntity.type)) {
                    currentEntity.appendToken(token.word());
                }
            }
            // 处理不带前缀的NER标签（部分配置下会直接返回PERSON/DATE）
            else {
                if (currentEntity == null) {
                    currentEntity = new Entity(nerTag, token.word());
                } else if (currentEntity.type.equals(nerTag)) {
                    currentEntity.appendToken(token.word());
                } else {
                    entities.add(currentEntity);
                    currentEntity = new Entity(nerTag, token.word());
                }
            }
        }
        // 别忘了添加最后一个实体
        if (currentEntity != null) {
            entities.add(currentEntity);
        }

        // 输出结果
        for (Entity entity : entities) {
            System.out.println(entity.type + ": " + entity.fullText);
        }
    }

    // 自定义实体类，用来存标签和完整文本
    static class Entity {
        String type;
        String fullText;

        Entity(String type, String firstToken) {
            this.type = type;
            this.fullText = firstToken;
        }

        void appendToken(String token) {
            this.fullText += " " + token;
        }
    }
}

这段代码会输出：

PERSON: Ellen Wexler
DATE: February 9, 2016

二、把DATE实体转换成Date/Calendar对象 #

CoreNLP自带时间标注器（TimeAnnotator），能把日期字符串转换成标准化的格式（比如2016-02-09），比自己手动解析靠谱多了。

只需要在初始化管道时加上time标注器，然后从CoreLabel里获取TimexAnnotation即可：

import edu.stanford.nlp.time.Timex;
import edu.stanford.nlp.ling.CoreAnnotations;

// 修改props，添加time标注器
props.setProperty("annotators", "tokenize,ssplit,pos,lemma,ner,time");

// 遍历token时获取Timex
for (CoreLabel token : document.tokens()) {
    Timex timex = token.get(CoreAnnotations.TimexAnnotation.class);
    if (timex != null) {
        String normalizedDate = timex.getValue(); // 得到标准化的日期，比如2016-02-09
        // 转成Java Date对象（Java 8+推荐用LocalDate）
        java.time.LocalDate date = java.time.LocalDate.parse(normalizedDate);
        System.out.println("原始日期片段: " + token.word() + " | 标准化日期: " + normalizedDate + " | LocalDate: " + date);
    }
}

如果是处理连续的日期token（比如February 9, 2016），CoreNLP会把整个实体的Timex标注在对应的token上，你可以结合上面的分组逻辑，把整个日期实体的标准化值取出来再转换。

需要注意的是，TimeAnnotator对模糊日期（比如"last week"）也能处理，返回的标准化格式会符合ISO 8601的时间区间规范，方便后续处理。

内容的提问来源于stack exchange，提问作者Mario Ishac