Label Studio 导出 JSON 怎么转训练 CSV？保留人工标签并拦截异常记录

Label Studio 导出的原始 JSON 保存任务数据和人工标注，但它不是直接可以训练的两列表。准备单标签文本分类数据时，应从正式 annotations 读取指定控件的类别，保留原样本编号，并把取消标注、多份有效标注、非法类别等记录单独报告。

本文适用于 Text name="text" value="$text" 和 Choices name="intent" toName="text" choice="single" 的单标签项目，类别为“咨询、投诉、表扬”，任务含 data.source_id。下面是通用 Python 3 示例，不含真实客户数据；文件转换可本地验证，本文没有读取你的项目或训练模型。

先选择保留完整结构的 JSON

在项目 Export 选择 JSON，下载后另存为 export.json，保留未修改的原始副本。官方导出文档说明，JSON 保留任务和标注结构；JSON_MIN 会移除 Label Studio 专有字段，不适合下面需要判断取消状态和标注数量的检查。

同一任务可能有多份人工标注，也可能还有 predictions。预测建议不能替代正式标签；取消的标注可能仍被导出。下面的转换器只接受“一个非取消标注、一个指定分类结果、一个合法标签”的任务，其余进入异常报告。这是示例交付规则，需要多轮复核或多人裁决的项目应先完成仲裁，不能自动取第一份结果。

社区版界面导出不一定按你当前数据管理页的过滤条件裁剪；官方文档特别说明会包含已标注任务和取消任务。因此不能只根据界面筛选后的数量假设文件里都是训练样本。

认识要转换的字段

下面是虚构的一条正常任务，省略了时间等非必要字段，系统任务编号 101 也是演示值：

[
  {
    "id": 101,
    "data": {"source_id": "s001", "text": "请问如何修改地址？"},
    "annotations": [
      {"was_cancelled": false, "result": [
        {"from_name": "intent", "to_name": "text", "type": "choices",
         "value": {"choices": ["咨询"]}}
      ]}
    ],
    "predictions": []
  }
]

from_name 要匹配分类控件，to_name 要匹配文本对象，不能把同一项目里的其他评分控件也当分类标签。Choices 官方文档说明单选和多选是不同配置；此脚本遇到多个类别会拒绝转换，不会截掉后面的标签。

生成训练表和异常报告

把以下代码保存为 export_to_csv.py，与 export.json 放在同一目录，运行 python export_to_csv.py。无需安装第三方库。正式使用前，将类别集合和两个控件名改成自己项目的实际值。

import csv
import json
from collections import Counter
from pathlib import Path

ALLOWED = {"咨询", "投诉", "表扬"}
tasks = json.loads(Path("export.json").read_text(encoding="utf-8-sig"))
if not isinstance(tasks, list):
    raise ValueError("输入必须是原始 JSON 导出的任务数组")
if any(not isinstance(t, dict) or not isinstance(t.get("data"), dict)
       for t in tasks):
    raise ValueError("任务缺少 data 对象，请检查导出格式")

counts = Counter(t["data"].get("source_id") for t in tasks
                 if isinstance(t["data"].get("source_id"), str))
accepted, rejected = [], []
for task in tasks:
    data = task["data"]
    sid, text = data.get("source_id"), data.get("text")
    reason = None
    if not isinstance(sid, str) or not sid.strip():
        reason = "缺少字符串 source_id"
    elif sid != sid.strip():
        reason = "source_id 含首尾空白"
    elif counts[sid] != 1:
        reason = "source_id 重复，所有同编号记录待核对"
    elif not isinstance(text, str) or not text.strip():
        reason = "文本为空或不是字符串"

    annotations = task.get("annotations", [])
    if reason is None:
        if not isinstance(annotations, list) or any(
            not isinstance(a, dict) for a in annotations
        ):
            reason = "annotations 结构异常"
        else:
            active = [a for a in annotations if not a.get("was_cancelled", False)]
            if len(active) != 1:
                reason = "非取消标注数量不等于 1，需要复核或裁决"

    if reason is None:
        results = active[0].get("result", [])
        if not isinstance(results, list) or any(
            not isinstance(r, dict) for r in results
        ):
            reason = "result 结构异常"
        else:
            matched = [r for r in results if r.get("type") == "choices"
                       and r.get("from_name") == "intent"
                       and r.get("to_name") == "text"]
            if len(matched) != 1:
                reason = "找不到唯一的 intent 分类结果"
            else:
                value = matched[0].get("value")
                labels = value.get("choices") if isinstance(value, dict) else None
                if (not isinstance(labels, list) or len(labels) != 1
                    or not isinstance(labels[0], str) or labels[0] not in ALLOWED):
                    reason = "标签缺失、多选或不在类别表中"

    if reason is not None:
        rejected.append({"task_id": task.get("id"), "source_id": sid,
                         "reason": reason})
    else:
        accepted.append({"task_id": task.get("id"), "source_id": sid,
                         "text": text, "label": labels[0]})

with Path("train.csv").open("w", encoding="utf-8", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=["task_id", "source_id", "text", "label"])
    writer.writeheader()
    writer.writerows(accepted)
Path("rejected.json").write_text(
    json.dumps(rejected, ensure_ascii=False, indent=2), encoding="utf-8"
)
print("输入:", len(tasks), "通过:", len(accepted), "待复核:", len(rejected))

脚本对重复来源编号会拒绝所有同编号记录，避免第一条悄悄进入训练表。它保留文本原样，由 CSV 写入器处理文本中的逗号、双引号和换行；不会把换行删除或把类别自动改名。写入器和 newline="" 的使用可查Python csv 官方文档。脚本会覆盖同名输出文件，运行前保存旧输出或使用新的工作目录。

用已知答案核对转换结果

只用上面的正常示例运行时，应报告“输入: 1 通过: 1 待复核: 0”，训练 CSV 应包含 s001、原始问题和“咨询”。这是人为样例的预期结果，不是生产数据通过率。

再复制三条样例，给它们不同编号，分别设置为：唯一标注的 was_cancelled=true；同一任务有两份非取消标注；单选结果的 choices 含“咨询”和“投诉”两个标签。和正常样例放在一起，应得到“输入: 4 通过: 1 待复核: 3”，并能在 rejected.json 看到每条的原因。正式数据必须逐项处理异常，不能把它们无记录地丢弃。

核对 通过数 + 待复核数 = 输入数，再按 source_id 随机抽查原文和标签。CSV 看起来能打开仍不足以通过：还要确认训练程序读出的记录数、列名和文本与原导出一致。

这份转换器的边界

它只检查指定单标签项目的结构，不判断人工类别是否标对，不决定多份标注谁更可信，也不划分训练集和测试集。多标签任务应保留完整标签集合，实体识别任务应保留文本片段与位置，两者都不能使用此脚本的单个 label 列。

导出中没有未标注任务时，脚本无法证明项目已经全部标完；应另外核对项目总任务数和剩余任务。先让训练人员确认字段契约，处理异常记录并保存原始导出，再交付训练 CSV 和对应的类别定义。