第3章法律文本基础

法律文本基础：法律文书结构、常见法律术语、裁判文书网数据获取

大家好，我是老张。今天咱们聊聊法律文本的基础知识。说实话，很多做数据标注的朋友，一上来就扑向裁判文书，结果被各种术语和结构搞得晕头转向。我当年刚入行时也踩过这个坑——标注了一批数据，结果因为没搞懂文书结构，全废了。嗯，今天咱们就把这块硬骨头啃下来。

一、法律文书的结构骨架

法律文书，说白了就是法律活动的「产品」。不管是判决书、起诉书还是调解书，它们都有相对固定的结构。我个人习惯把文书结构拆成三块：头部、正文、尾部。

核心要点：法律文书的结构是「三段式」——谁写的、写了什么、谁负责。标注时先定位这三块，能省一半力气。

1. 头部信息

头部包含文书的基本元数据。我见过不少标注新手，把「案号」和「文书编号」搞混。其实案号是法院内部用的，比如「（2023）京01民初123号」，而文书编号是裁判文书网自动生成的。标注时，头部信息通常包括：

法院名称：比如「北京市第一中级人民法院」
文书类型：判决书、裁定书、决定书等
案号：唯一标识一个案件
当事人信息：原告、被告、第三人等
诉讼代理人：律师、法律工作者等

2. 正文结构

正文是文书的核心。我把它总结为「五步走」：

案件由来：法院怎么受理的，什么时候开庭的
诉辩主张：原告说了什么，被告怎么反驳的
事实认定：法院查明了哪些事实
裁判理由：法院为什么这么判（法律依据）
裁判结果：最终判决是什么

为什么会这样？因为法官写文书时，逻辑链条就是「谁告谁→双方怎么说→法院查清什么→法律怎么规定→最终怎么判」。标注时，你只要按这个链条去切分段落，基本不会出错。

3. 尾部信息

尾部相对简单，但容易忽略。包括：

审判人员：法官、人民陪审员名单
日期：判决日期
书记员：记录人
附注：比如上诉期限、判决生效说明等

我的小技巧：标注时，先快速扫一眼文书头部和尾部，确定文书类型和法院层级。这能帮你预判正文的复杂程度。比如基层法院的判决书，事实部分通常写得很细；而最高法院的判决书，法律分析部分会更重。

二、常见法律术语：别被「法言法语」吓到

法律术语是标注中的「拦路虎」。我刚开始做标注时，看到「驳回诉讼请求」和「驳回起诉」就傻傻分不清。后来被项目经理骂了一顿，才明白：前者是实体上输了，后者是程序上被挡回来了。嗯，这里要注意，术语搞错了，标注结果就是废的。

我把常见术语分成三类，方便大家记忆：

类别	术语	含义	标注注意点
程序类	上诉、抗诉、再审	不服判决后的救济途径	注意区分「上诉」和「抗诉」：上诉是当事人提的，抗诉是检察院提的
实体类	违约责任、侵权责任	违反合同或侵犯权利的法律后果	标注时注意区分「违约」和「侵权」，两者赔偿标准不同
证据类	书证、物证、电子数据	证明案件事实的材料	电子数据是近年新增的，比如微信聊天记录、电子邮件

避坑指南：我曾经标注一批合同纠纷案件，把「违约金」和「赔偿金」混为一谈。结果模型训练出来后，遇到「违约金过高可以调整」的条款，模型直接输出「赔偿金过高可以调整」——完全错了。违约金是双方约定的，赔偿金是法定的，两者性质不同。

另外，我建议大家建立一个「术语对照表」。比如：

原告诉称 = 原告说
被告辩称 = 被告反驳
本院认为 = 法院的观点
依照……规定 = 法律依据

标注时，把这些「法言法语」翻译成大白话，能帮你快速理解文书内容。

三、裁判文书网数据获取：从「爬」到「用」

裁判文书网（wenshu.court.gov.cn）是法律数据标注的「粮仓」。但说实话，这个网站不太好爬。我当年为了批量下载文书，折腾了整整一周。这里分享几个实用经验。

1. 数据获取方式

目前主流的方式有三种：

官方API：裁判文书网有公开的检索接口，但限制较多，每天有调用次数限制
爬虫采集：用Python写爬虫，但要注意反爬机制（验证码、IP限制等）
第三方数据源：比如北大法宝、中国法律知识总库等，数据更干净，但需要付费

我个人建议，如果只是做标注练习，用第三方数据源更省心。如果是做项目，可以考虑爬虫+人工清洗的组合。

2. 爬虫示例代码

这里给一个简单的爬虫框架，用于获取裁判文书列表。注意，这只是演示，实际使用时需要处理反爬。

import requests
import json

# 裁判文书网检索接口（示例）
url = "https://wenshu.court.gov.cn/website/parse/rest/qj"

# 请求参数
params = {
    "pageNum": 1,
    "pageSize": 10,
    "queryCondition": [{"key": "案由", "value": "合同纠纷"}]
}

# 请求头（模拟浏览器）
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
    "Referer": "https://wenshu.court.gov.cn/"
}

# 发送请求
response = requests.post(url, json=params, headers=headers)

# 解析结果
if response.status_code == 200:
    data = response.json()
    for doc in data.get("result", []):
        print(f"案号: {doc.get('caseCode')}, 标题: {doc.get('title')}")
else:
    print(f"请求失败，状态码: {response.status_code}")

我的经验：裁判文书网的反爬机制很「聪明」。我曾经用同一个IP连续爬了200条，就被封了24小时。后来我改用代理IP池，每次请求随机换IP，才稳定下来。另外，记得设置请求间隔，别太频繁。

3. 数据清洗与结构化

拿到原始数据后，别急着标注。先做清洗：

去重：同一个案件可能有多个文书（一审、二审、再审），注意去重
格式统一：把PDF、Word等格式统一转为纯文本
字段提取：用正则表达式提取案号、法院、日期等结构化字段

举个例子，提取案号的正则表达式：

import re

text = "（2023）京01民初123号"
pattern = r"（(\d{4})）(\w+)\w+初(\d+)号"
match = re.search(pattern, text)
if match:
    year = match.group(1)  # 2023
    court = match.group(2) # 京01
    number = match.group(3) # 123
    print(f"年份: {year}, 法院: {court}, 编号: {number}")

四、知识体系总览

说了这么多，咱们用一张图来总结本章的核心内容。这张图展示了法律文本标注的完整链路：从文书结构认知，到术语理解，再到数据获取与清洗。

这张图把本章内容串起来了。你想想看，标注一个法律文本，其实就是三步：先看结构（头部、正文、尾部），再理解术语（程序、实体、证据），最后处理数据（获取、清洗、结构化）。每一步都有坑，但每一步也都有方法。

总结一下：法律文本标注不是「体力活」，而是「技术活」。搞懂文书结构，你就能快速定位关键信息；掌握常见术语，你就能准确理解内容；学会数据获取，你就能源源不断地拿到训练数据。这三板斧砍下去，标注效率至少提升50%。

好了，今天就聊到这儿。下一节咱们会深入讲「标注规范与质量控制」，到时候我会分享一些更具体的标注案例和踩坑经历。记得提前把今天的内容消化掉，不然下一节你可能跟不上。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

法律文本基础：法律文书结构、常见法律术语、裁判文书网数据获取

一、法律文书的结构骨架

1. 头部信息

2. 正文结构

3. 尾部信息

二、常见法律术语：别被「法言法语」吓到

三、裁判文书网数据获取：从「爬」到「用」

1. 数据获取方式

2. 爬虫示例代码

3. 数据清洗与结构化

四、知识体系总览