brat数据标注工具实战：如何构建高效可扩展的NLP标注系统

1次阅读

共计 1983 个字符，预计需要花费 5 分钟才能阅读完成。

在 NLP 项目中，数据标注是模型效果的基础保障，但实际操作中常遇到以下问题：

标注效率低 ：人工标注平均每小时仅处理 100-200 条文本，复杂任务（如事件抽取）效率更低
质量标准不统一 ：不同标注员对 ” 地点 ”” 机构 ” 等实体边界理解不一致，IOB 标签错误率高达 15%
多人协作困难 ：版本冲突、进度不透明等问题导致团队标注速度不升反降

对比主流标注工具：

工具	开源	可定制性	学习成本	协作支持
Prodigy	❌	低	高	付费版
Label Studio	✅	中	中	✅
brat	✅	高	低	需扩展

brat 的核心优势在于：

基于 Web 的实时可视化标注
完全开放的 JSON 数据格式
支持 span 标注、关系标注等复杂场景
可通过 API 深度集成到现有系统

# docker-compose.yml
version: '3'
services:
  brat:
    image: cassj/brat
    ports:
      - "8001:80"
    volumes:
      - ./data:/brat-data
      - ./config:/brat-config
    environment:
      - BRAT_USERNAME=admin
      - BRAT_PASSWORD=securepass

部署步骤：

创建数据目录：mkdir -p {data,config}
在 config/annotation.conf 中定义标签规范
启动服务：docker-compose up -d

import requests
from collections import defaultdict

BRAT_API = "http://localhost:8001"

def check_annotation_quality(doc_id):
    """
    检查标注一致性
    返回不符合规范的标注位置
    """resp = requests.get(f"{BRAT_API}/api/document/{doc_id}")
    annotations = resp.json()['entities']

    error_spans = defaultdict(list)
    # 检查实体边界是否在句子分界处
    for ann in annotations:
        if not ann['text'][0].isupper() and ann['type'] == 'PER':
            error_spans['PER_case'].append(ann['id'])

    return error_spans

from flask import Flask, request
import json
import filelock

app = Flask(__name__)
LOCK = filelock.FileLock("/tmp/brat.lock")

@app.route('/assign_task', methods=['POST'])
def assign_task():
    """
    分配标注任务
    保证同一文档不会被多人同时修改
    """
    try:
        with LOCK:
            doc_id = request.json['doc_id']
            user = request.json['user']
            # ... 任务分配逻辑
            return {"status": "success"}
    except Exception as e:
        return {"error": str(e)}, 500

测试环境：AWS c5.xlarge, 100MB 标注数据