Doccano：面向 NLP 的开源文本标注工具

为什么需要 Doccano：手工标注低效且难协作 → 标准化的标注工作台

构建 NLP 模型前，高质量标注数据是前提。传统方式下，团队通常用 Excel 或共享文档手工标注，存在三个问题：一是格式混乱，Excel 无法精确表达“这句话第 3 到第 8 个字符是人名”这种实体级标注；二是缺乏协作机制，多人同时标注同一批数据容易互相覆盖；三是标注结果难以进入训练管线，导出的数据需要再写脚本转换成模型要求的格式，转换过程还经常出错。

Doccano 把以上流程收敛到一个 Web 应用里：项目管理员创建项目、定义标签集；标注员在浏览器中按文档逐条标注，系统自动保存进度；审核员在审批标签页逐条校验标注结果。标注完成后一键导出为 JSONL、CoNLL 等模型训练常用格式，省去数据转换脚本。

与 Label Studio 等通用多模态工具相比，Doccano 只做文本任务，界面和流程因此更聚焦：三类任务覆盖 NLP 数据标注的主流场景，学习成本低，团队一天内即可上手。

安装与环境配置：3 步就绪（Docker 方式）

官方推荐生产环境使用 Docker 部署，本地实验也可用 pip 安装。以下以 Docker 方式为例。

步骤一 · 拉取镜像并创建容器

官方镜像 doccano/doccano 内置数据库初始化和 Web 服务器，只需通过环境变量设置管理员账号：

步骤二 · 验证服务

浏览器访问 http://localhost:8000，使用 admin / password 登录。看到项目列表页即部署成功。

步骤三 · 替换默认数据库（可选）

单机测试默认使用挂载卷中的 SQLite 数据库；多人协作场景建议改用 PostgreSQL。官方仓库的 docker-compose.prod.yml 内置 PostgreSQL 与 Nginx：

pip 方式则执行 pip install doccano，随后运行 doccano init 初始化数据库、doccano createuser --username admin --password pass 创建管理员、doccano task 启动服务。

docker pull doccano/doccanodocker container create --name doccano \  -e "ADMIN_USERNAME=admin" \  -e "ADMIN_EMAIL=admin@example.com" \  -e "ADMIN_PASSWORD=password" \  -v doccano-db:/data \  -p 8000:8000 doccano/doccanodocker container start doccano

git clone https://github.com/doccano/doccano.gitcd doccanodocker compose -f docker-compose.prod.yml up -d

快速上手：10 分钟完成第一个 NER 标注项目

以一个命名实体识别（NER）项目为例，目标是构建“人名（PER）、地名（LOC）”两个实体的训练集。整体思路：创建项目 → 定义实体标签 → 导入待标注文本 → 划选标注 → 导出标准格式。

1. 创建项目：登录后点击「创建项目」，项目类型选择「序列标注（Sequence Labeling）」，填写项目名称（如“新闻人物地点实体标注”）、描述与被标注文本的语言。

2. 定义标签：进入项目后打开「标签（Labels）」页面，逐个添加实体类型，如 PER（人名）、LOC（地名）。每个标签可设置快捷键，标注时按快捷键快速打标。

3. 导入数据：打开「数据集（Dataset）」→「导入数据集（Import Dataset）」→ 选择本地文件。支持 JSONL、CSV、CoNLL 等格式，JSONL 每行一段文本，形如 {"text": "马云在杭州创立了阿里巴巴"}。

4. 开始标注：进入「标注（Annotate）」页面，鼠标划选文本片段，在弹出标签中选择 PER 或 LOC。标注完成一条后自动跳到下一条，右侧面板可查看当前文档进度。

5. 导出数据：全部标注完成后，进入「数据集 → 导出（Export）」，格式选 JSONL。导出的每行包含原始文本与 entities 数组（起点、终点、标签名），可直接用于序列标注模型训练。

导出后的 JSONL 示例如下：

进阶技巧：对大量固定格式的实体（如日期、邮箱），可在标签设置中启用「自动标注（Auto Labeling）」配置正则表达式，导入时自动匹配并预打标，标注员只需人工复核。

{"text": "马云在杭州创立了阿里巴巴", "entities": [{"id": 0, "start_offset": 0, "end_offset": 2, "label": "PER"}, {"id": 1, "start_offset": 3, "end_offset": 5, "label": "LOC"}]}

核心能力详解：5 大支柱

支柱一 · 三类标注任务模型。文本分类支持对整条文本打标签，适合情感分析、意图识别、垃圾邮件分类；序列标注支持对文本片段进行实体级标记，适合 NER、分词、槽位提取；Seq2Seq 支持输入输出成对标注，适合机器翻译、文本摘要、文本复述数据集构建。三类任务覆盖 NLP 数据标注的主体场景。

支柱二 · 多用户协作与角色权限。Doccano 内置四级角色：系统管理员（admin）管理所有项目；项目管理员（project_admin）负责项目创建、成员邀请、标签与数据集管理；标注员（annotator）只能进行标注；审核员（annotation_approver）在「审批（Approval）」页面逐条审核标注结果，有权接受或驳回。这为标注团队提供了流程化的质量把关机制。

支柱三 · 标准化的数据导入导出。导入支持 JSONL、CSV、CoNLL、FastText 等格式；导出支持 JSONL、JSON、CSV、CoNLL 和 FastText 格式。CoNLL 是序列标注社区通用格式，导出后可直接用于常见 NER 框架训练；FastText 格式则适合文本分类模型的 fasttext.train_supervised 训练接口，减少数据转换成本。

支柱四 · 自动标注规则。在标签定义中可为每个标签配置正则表达式规则。导入或打开文档时，Doccano 会按规则自动标注所有匹配文本，将纯手工标注转为“规则预标注 + 人工复核”的半自动流程，显著提升含固定格式实体的项目标注效率。

支柱五 · 重叠实体与进度统计。序列标注项目可开启「允许重叠标注（allow overlapping）」选项，支持“同一段文本属于多个实体类型”的复杂标注需求；标注统计面板按文档、按成员展示标注数量与进度，便于项目经理量化跟踪人力投入与剩余工作量。

生产部署与监控：从上线到运维

部署方式一 · 生产级 Docker Compose。直接使用官方 docker-compose.prod.yml 启动，内部由 Django 应用、PostgreSQL 数据库和 Nginx 三部分组成。PostgreSQL 以独立容器运行并挂载数据卷，应用容器通过环境变量连接数据库。上线前务必修改全部默认密码，更新时用 docker compose pull && docker compose up -d 完成滚动升级。

部署方式二 · pip 安装 + 反向代理。小团队（10 人以内）可用 pip 方式在单台 2C4G 服务器上运行：pip install doccano + doccano task 启动（默认监听 8000 端口），前置 Nginx 配置 HTTPS 反向代理。此方式使用 SQLite，数据量超过数万条标注记录后写性能下降，需定期备份数据库文件。

可观测性。Doccano 自身不提供指标面板，运维依赖系统层能力：用 docker compose logs -f 跟踪应用错误日志；用 docker stats 监控容器 CPU/内存；数据库层定期执行 pg_dump 全量备份——SQLite 方式则直接备份挂载卷中的 db.sqlite3 文件。备份策略建议每日增量 + 每周全量，标注数据一旦丢失无法从模型侧恢复。

<p class=“para-label“>避坑清单：</p><ul class=”dash-list”><li>坑 1：项目类型创建后不可修改——创建时需确认任务类型（文本分类 / 序列标注 / Seq2Seq），选错只能重建项目并重新导入数据。</li><li>坑 2：默认 SQLite 不适用大批量协作——超过数万条标注记录或 10 人同时在线时建议及时迁移 PostgreSQL，单机 SQLite 在高并发写入下会出现锁等待。</li><li>坑 3：数据存数据库而非文件系统——用文本编辑器直接改容器挂载目录里的文件不会生效，所有标注数据必须在 Doccano 界面或 API 中操作，备份请走官方备份流程。</li><li>坑 4：低版本 Python 兼容问题——pip 安装要求 Python 3.8+，Python 3.6 及以下会安装失败，部署前先确认解释器版本。</li></ul>

版本迭代

Doccano 自 2020 年发布 v1.0 后保持每年 1-2 个 Minor 版本节奏，v1.2 引入成员管理、v1.4 改进标签与导入格式、v1.7 加入自动标注和重叠实体支持，v1.8.x 聚焦稳定性和安全修复（截至训练数据，可能已有更新版本）。

AI 应用场景

常见误区

面试题

参考来源

• webpageDoccano GitHub 仓库源码、安装说明与 issue 讨论
• webpageDoccano GitHub WikiFAQ 与社区整理的部署经验