Stanford CoreNLP 3.9.0：如何加载prettyprint标注文件替代annotate方法？

我之前也碰到过类似的困扰，在3.9.0版本里，确实没办法直接加载prettyprint输出的文件——因为那个格式是专门给人类阅读设计的，没有严格的机器可读结构，CoreNLP官方也没有提供对应的解析API。不过咱们可以换个思路，用CoreNLP原生支持的结构化序列化格式来保存和加载标注结果，下面是具体的实现方案：

一、先换用可序列化的格式保存标注结果 #

如果还能重新生成标注文件，建议放弃prettyprint，改用XMI或JSON格式保存，这两种格式CoreNLP都支持直接加载：

方案1：使用XMI格式（CoreNLP推荐的序列化格式） #

保存标注结果：

// 假设你已经完成标注，得到了Annotation对象 ann
XmiSerializer serializer = new XmiSerializer();
try (OutputStream os = new FileOutputStream("annotated_output.xmi")) {
    serializer.serialize(ann, os);
} catch (IOException e) {
    e.printStackTrace();
}

加载已标注的XMI文件：

XmiSerializer serializer = new XmiSerializer();
Annotation loadedAnnotation;
try (InputStream is = new FileInputStream("annotated_output.xmi")) {
    loadedAnnotation = serializer.deserialize(is);
} catch (IOException e) {
    e.printStackTrace();
    return;
}
// 现在loadedAnnotation就是完整的标注对象，无需再调用annotate方法

方案2：使用JSON格式 #

保存标注结果：

// 定义和标注时一致的Properties（确保标注器列表匹配）
Properties props = new Properties();
props.setProperty("annotators", "tokenize,ssplit,pos,lemma,ner"); // 替换成你实际使用的标注器
props.setProperty("outputFormat", "json");

// 将Annotation对象序列化为JSON并写入文件
try (PrintWriter pw = new PrintWriter(new File("annotated_output.json"))) {
    pw.println(AnnotationJsonSerializer.toJson(ann, props));
} catch (FileNotFoundException e) {
    e.printStackTrace();
}

加载已标注的JSON文件：

Properties props = new Properties();
props.setProperty("annotators", "tokenize,ssplit,pos,lemma,ner"); // 和保存时一致的标注器列表

Annotation loadedAnnotation;
try (BufferedReader br = new BufferedReader(new FileReader("annotated_output.json"))) {
    StringBuilder jsonContent = new StringBuilder();
    String line;
    while ((line = br.readLine()) != null) {
        jsonContent.append(line);
    }
    loadedAnnotation = AnnotationJsonSerializer.fromJson(jsonContent.toString(), props);
} catch (IOException e) {
    e.printStackTrace();
    return;
}
// 加载完成，直接使用loadedAnnotation即可

二、如果已经有了prettyprint的文件怎么办？ #

很遗憾，3.9.0版本没有内置的解析器来处理prettyprint输出的文本——因为它的格式没有严格的机器可读规范，结构会随标注内容变化，手动解析不仅麻烦还容易出错。如果必须使用这份文件，只能自己编写正则表达式或文本解析逻辑来提取标注信息，但非常不推荐这种做法，建议还是重新用上面的序列化格式生成一次标注文件。

内容的提问来源于stack exchange，提问作者Gaëtan SCHMIDT