具体学科下构建数据集进行命名实体识别的方案（整体步骤第三步）

项目场景：

目前粗糙的多行文本已经构建好，现在要做的事情是如何将这些非结构的文本，转换成命名体识别模型可以读取的结构化标签文本。为此非结构化文本形式是图一所示（这是之前两步的所得结果），目标数据集为图二所示。那么在这一步怎么整合成数据集将成为关键。

图一：非结构化文本

图二：目标结构化数据

---

单非结构文本转为单数据集

首先我我会将每一篇文章所得出的Txt（图一）放到一个文件夹中统一操作，标签分为三类B,I,O。B代表所需关键词开始，I所需关键词中间，O代表非关键词，而且默认为只能B开头加上I结尾，或者单个就一个B无I，但不能出现O后面出现I这种现象。为此，只要知道了这样规定的规定，按照一定的格式，写入表格就好。这里我是写入XLS当全部完成时转成CSV，另一个原因是XLS包，用法比CSV多，我更熟悉一点。为此这里将每一篇图一内容，全部转换后对应的图二内容。这里我也是偷懒用来standfordcorenlp的包来写词性，那这里又有一个疑问，为什么整体步骤第二步用的是NLTK新闻的包来写词性，为什么这就换了呢，其实只是很简单的原因，想做的复杂一点，也可以用NLTK来代替，我当时想着也是，如果都是一个标准，都错就是没错，那就是没错的，为此我才心安理得用了standfordcorenlp，代码如下：

import re
import xlwt
from stanfordcorenlp import StanfordCoreNLP
import os
osfile = []
dir = r"F:\pythonbert\demo\untitled1\extract\extracttxt"
for root, dirs, files in os.walk(dir):
    for file in files:
        if file != 'extract.py' and file != '__init__.py' and file !='split.py' and file !='Label.py' and file !='CSV.py':
            osfile.append(file)
for index in range(len(osfile)):
    nlp = StanfordCoreNLP('E:\stanford\stanford-corenlp-latest\stanford-corenlp-full-2021-01-09', lang='en')
    sentence = []
    key = []
    substance = []
    time = []
    location =[]
    Dict = []
    k = 0
    num = 0
    # 分字典存储
    with open(osfile[index], "r", encoding="utf-8") as f:
        lines = f.readlines()
        # 去除换行符
        result = ([x.strip