xml - 斯坦福NER，输出编码问题

我使用Stanford NER 3.6.0识别人名。从输入文本文件或输入XML文件生成XML没有问题。

我在阅读NER返回的XML文件时遇到问题。

我现在面临的两个问题是：名称不能以＆＃39;开头。＆＃39;字符，十六进制值0xA0。

意外的XML声明。 XML声明必须是文档中的第一个节点，并且不允许在其前面显示空白字符。

我使用JAR文件和命令提示符生成XML输出。

命令行：

java -mx1000m -cp＆＃34; D：/Downloads/Projects/Installations/stanford-ner-2015-12-09/stanford-ner.jar; D：/ Downloads / Projects / Installations / stanford-ner- 2015年12月9日/ lib中/ *＆＃34; edu.stanford.nlp.ie.crf.CRFClassifier -loadClassifier＆＃34; D：/Downloads/Projects/Installations/stanford-ner-2015-12-09/classifiers/english.conll.4class.distsim.crf.ser。 GZ＆＃34; -outputFormat inlineXML -textFile＆＃34; C：\ Users \ Freeware Sys \ AppData \ Local \ Temp \ References（2）_in.txt＆＃34; ＆GT; ＆＃34; C：\ Users \ Freeware Sys \ AppData \ Local \ Temp \ References（2）_ner.xml＆＃34; -inputEncoding＆＃34; UTF-8＆＃34; -outputEncoding＆＃34; UTF-8＆＃34;

非常感谢任何帮助。

感谢。

我想我们一直在用“inlineXML”这个名字过度使用/误导。在实践中，这仅仅意味着斯坦福NER在实体周围输出XML样式的标签。它从未意味着它生成一个有效的XML文档作为输出。我们可以改变它，但是我们可能会产生不同的东西，因为对于真正的XML解析，每个实体类型都有不同的标记没有多大意义。

如果你想要真正的XML，请尝试CoreNLP的xml输出，这是真正的XML：

java -mx1g -cp "*" edu.stanford.nlp.pipeline.StanfordCoreNLP -annotators "tokenize,ssplit,pos,lemma,ner", -ner.model edu/stanford/nlp/models/ner/english.conll.4class.distsim.crf.ser.gz -ner.useSUTime false -outputFormat xml -file foo.txt -encoding "UTF-8"

为什么不间断的空格字符有问题？在罕见的情况下（如电话号码），它们被故意用于斯坦福NLP代码中，其中单个令牌内允许空格。它们在以UTF-8编码的XML文档中有效。

斯坦福NER，输出编码问题

1 个答案: