免费命名实体识别（NER）API 完全教程：零成本从文本里挖出人名/地名/金额（2026-10-04 验证）

一句话结论：想把"非结构化文本"自动变成"结构化的实体标签"（人名、地名、组织、金额、日期），又不想为 token 计价和 GPU 买单？Azure AI Language、Amazon Comprehend、Google Cloud Natural Language 三家的免费额度，配合开源 spaCy，足以支撑大多数信息抽取、舆情监控、知识图谱场景。本文 2026-10-04 实测四家渠道的免费额度与调用门槛，全部命令可复现。

一、什么是 NER，为什么值得做

命名实体识别（Named Entity Recognition，简称 NER）是自然语言处理里最"立竿见影"的一项能力：给一段文本，它自动把其中的专有名词识别并打上类别标签。常见的类别包括：人名（PER）、地名（LOC）、组织（ORG）、金额（MONEY）、日期（DATE）、时间（TIME）、百分比（PERCENT）等。

举例：输入"苹果公司 CEO 蒂姆·库克昨天在旧金山宣布，第三季度营收 900 亿美元"，NER 会输出：

• "苹果公司" → ORG（组织）
• "蒂姆·库克" → PER（人名）
• "旧金山" → LOC（地名）
• "昨天" → DATE（日期）
• "900 亿美元" → MONEY（金额）

这不是关键词匹配那么简单——NER 模型能够理解上下文，区分"苹果"是水果还是公司、区分"华盛顿"是人还是城市。这正是它比正则表达式强大的地方，也是它被广泛用于下游任务的原因。更多这类免费能力，可在本站 免费 API 栏目 一站式查看，无需逐个注册。

二、NER 是怎么工作的

早期的 NER 靠规则和词典：先准备一份人名、地名、机构名词典，再把文本和词典做字符串匹配。这种方式快但很脆——覆盖不到的实体直接漏掉，"苹果"这种多义词也分不清。

现代 NER 主要走深度学习路线，大致分两类：

1. 统计序列标注：把句子拆成一个个 token，模型预测每个 token 属于哪个实体边界（B-开头、I-内部、O-非实体）。这类模型轻、快，适合实时调用。
2. 大模型抽取：直接让 LLM 按提示词输出结构化实体 JSON。能力更强、能理解复杂语境，但对长文成本较高、需要多次调用。

对大多数免费额度场景，云厂商的预训练 NER（本质是成熟的序列标注模型）已经够用，你无需自己训练模型，开箱即用。关于大模型那一路的免费额度，可参考本站 免费 LLM API 榜单 里的免费模型清单。

三、四个典型落地场景

以下场景所需的多项免费能力，均可在本站 免费 API 栏目 找到可复现的入门教程，不必重复造轮子。

1. 舆情监控：从海量新闻里自动抽取"哪个公司/产品/人物"被提及，做声量统计与竞品追踪。比如每天抓取 1000 条新闻，用 NER 提取出现频次最高的品牌名和人物名。
2. 金融情报：从财报、公告里抽取金额、日期、交易对手方，辅助风控与合规审核。财报里动辄几十个数字，NER 能一键结构化。
3. 知识图谱：把实体和关系结构化，喂给图数据库做推理与问答。实体识别是建图的第一步，没有实体就没有节点。
4. 客服工单：自动识别工单里提到的订单号、地点、产品型号，做自动分流，减少人工分派时间。

四、四家免费 NER 渠道横评（2026-10-04 实测）

为了让你选对方案，我把 2026 年主流的免费 NER 渠道放在一起对比：

额度数据复核至 2026-10-04 各厂商公开文档，实际以控制台为准。两个关键差异：一是三家云服务按"调用次数/字符单位"计费、有免费额度上限，spaCy 本地开源完全免费但需自己部署；二是只有 Amazon Comprehend 提供专门的 PII（敏感信息）检测能力。

五、5 分钟上手（Azure AI Language 实测）

Azure AI Language 的 NER 是预构建能力，不需要训练模型，申请好 Key 后直接调用。上手流程：

1. 在 Azure Portal 创建"语言服务"资源，定价层选择 F0（免费）。
2. 复制资源的 Endpoint 和 Key（注意 Key 只在创建后展示一次）。
3. 用下方 Python 脚本发送文本，即可拿到实体标注结果。

限额头实测：免费层单次请求最多支持 5120 字符输入，月限额 5000 次交易，超限会返回 429。把长文本切成 5120 字符内的块，一次塞满比多次小额请求划算得多。

六、Python 调用方式（唯一代码示例）

用 Azure AI Language 的官方 SDK，几行代码即可完成实体识别：

# pip install azure-ai-textanalytics
from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

client = TextAnalyticsClient(
    endpoint="https://<你的资源名>.cognitiveservices.azure.com/",
    credential=AzureKeyCredential("<你的Key>"),
)

docs = ["苹果公司 CEO 蒂姆·库克昨天在旧金山宣布，第三季度营收 900 亿美元。"]
result = client.recognize_entities(docs)[0]

for entity in result.entities:
    print(f"{entity.text} -> {entity.category} (置信度 {entity.confidence_score:.2f})")

要点：返回的每个实体都带 text（原文）、category（类别）、confidence_score（置信度，越高越准）。生产环境建议对置信度低于 0.5 的结果做人工复核，避免把"苹果"误判成公司。

七、三家的实体类别对照表

不同渠道预定义的实体类别略有差异，选型前先对一遍：

需要识别"身份证号、银行卡号、邮箱"等敏感信息时，Amazon Comprehend 的 Detect PII 是专门能力，Azure 和 Google 的通用 NER 不覆盖，这是选型时最容易被忽略的差异。

八、七条避坑清单（这部分比前面都重要）

1. 免费层有字符上限：Azure F0 单请求 5120 字符，Amazon 单请求最小计费 300 字符，超长文本要先分块再拼接。
2. 额度是"交易次"不是"实体个"：Azure 按"一次请求"计 1 次交易，一次塞满 5120 字符比 10 次小额请求划算得多。
3. 置信度要做阈值：通用 NER 对生僻实体（小众品牌、方言地名）会出错，低于阈值的结果要人工兜底。
4. 语言要匹配模型：中文文本用中文模型，英文用英文模型，混用会显著掉准。
5. 偶发超限要退避重试：云服务高峰期会返回 429，脚本加指数退避（3 次，间隔 1s/2s/4s）。
6. 敏感数据慎上网：涉及隐私/合规文本，优先用 spaCy 本地跑，数据不出网。
7. 免费额度会变：云厂商免费额度策略调整频繁，生产前以官方定价页为准。

本文实测数据复核至 2026-10-04。免费策略变更频繁，生产使用前请以厂商官方文档为准。

九、常见问题 FAQ

• 问：免费额度够不够用？ 答：以 Azure 5000 次/月为例，假设每天处理 150 条新闻，一个月约 4500 次，绰绰有余；PC 端个人项目几乎用不满。
• 问：中文效果哪家好？ 答：Azure AI Language 的中文预训练模型质量稳定，是中文场景的首选；追求类别全面选 Amazon，追求永久免费选 Google。
• 问：不想上传数据怎么办？ 答：用 spaCy 本地跑，模型下载后完全离线，数据不出网，适合合规敏感场景；其余免费文本能力见 免费 API 栏目，跨语言翻译等任务亦可在专栏内找到对应指南。

十、把 NER 与文本 API 统一管起来

做完实体识别，往往还要做后续处理——关键词提取做主题、语义相似度做去重、RAG 做知识库检索。这些能力都能在 免费 API 栏目 找到对应免费方案。本站已沉淀一批可复用的免费能力教程：

• 免费关键词提取 / 主题抽取 API 完全教程
• 免费语义相似度（STS）API 完全教程
• 免费 Reranker（重排序）API 完全教程
• 免费向量数据库 API 实力榜单
• 免费 Embedding API 完全教程
• 2026 免费翻译 API 实力榜单

免费额度领取与继续阅读

想要无需逐一注册、统一鉴权调用以上全部免费模型？Apishare.cc 提供统一 API Key，一个 Key 调用 100+ 模型，免费模型零成本接入。新用户可前往 注册页 领取免费额度，更多免费能力教学与榜单尽在 免费 API 栏目。