【NLP】24. spaCy 教程：自然语言处理核心操作指南（进阶）

spaCy 中文教程：自然语言处理核心操作指南（进阶）

1. 识别文本中带有“百分号”的数字

import spacy# 创建一个空的英文语言模型
nlp = spacy.blank("en")# 处理输入文本
doc = nlp("In 1990, more than 60% of people in East Asia were in extreme poverty. Now less than 4% are.")# 遍历文档中的每个词
for token in doc:if token.like_num:  # 判断该词是否看起来像一个数字# 获取下一个词next_token = doc[token.i + 1]if next_token.text == "%":print("找到百分比：", token.text)

---

📌 2. 词性标注与依存关系分析

import spacy# 加载英文小模型
nlp = spacy.load("en_core_web_sm")# 输入文本
doc = nlp("She ate the pizza")# 打印每个词的词性标签
for token in doc:print(token.text, token.pos_, token.pos)# 输出依存结构信息（包括该词依赖于哪个词）
for token in doc:print(token.text, token.pos_, token.dep_, token.head.text)

---

📌 3. 命名实体识别（NER）

# 输出识别出来的命名实体及其类型
for ent in doc.ents:print(ent.text, ent.label_)

---

📌 4. 比较不同模型之间的差异（词性与依存关系）

# 假设 doc_small 和 doc_medium 是使用不同模型处理的结果
for i in range(len(doc_small)):print("词：", doc_small[i])if doc_small[i].pos_ != doc_medium[i].pos_:print("词性不同：", doc_small[i].pos_, doc_medium[i].pos_)if doc_small[i].dep_ != doc_medium[i].dep_:print("依存关系不同：", doc_small[i].dep_, doc_medium[i].dep_)

---

📌 5. 使用 Matcher 匹配自定义文本模式

示例一：识别“购买”某物的句子结构

from spacy.matcher import Matcher
import spacynlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)# 定义匹配“购买某物”的结构
pattern = [{"LEMMA": "buy"}, {"POS": "DET", "OP": "?"}, {"POS": "NOUN"}]
matcher.add("BUY_ITEM", [pattern])doc = nlp("I bought a smartphone. Now I'm buying apps.")
matches = matcher(doc)for match_id, start, end in matches:span = doc[start:end]print("匹配结果：", span.text)

---

示例二：识别“love + 名词”的组合

pattern = [{"LEMMA": "love", "POS": "VERB"}, {"POS": "NOUN"}]
matcher.add("LOVE_PATTERN", [pattern])doc = nlp("I loved vanilla but now I love chocolate more.")
matches = matcher(doc)for match_id, start, end in matches:span = doc[start:end]print("匹配：", span.text)

---

示例三：匹配 “COLORS10”, “COLORS11” 等结构

text = """After the iOS update you won’t notice big changes. Most of iOS 11's layout remains the same as iOS 10."""matcher = Matcher(nlp.vocab)
pattern = [{"TEXT": "COLORS"}, {"IS_DIGIT": True}]
matcher.add("IOS_VERSION", [pattern])doc = nlp(text)
matches = matcher(doc)for match_id, start, end in matches:span = doc[start:end]print("识别出的版本：", span.text)

---

示例四：识别“download + 专有名词”的结构

text = """I downloaded Fortnite on my laptop. Should I download WinZip too?"""pattern = [{"LEMMA": "download"}, {"POS": "PROPN"}]
matcher.add("DOWNLOAD_PATTERN", [pattern])doc = nlp(text)
matches = matcher(doc)for match_id, start, end in matches:print("下载内容：", doc[start:end].text)

---

示例五：匹配“形容词 + 名词”结构

text = "Features include a beautiful design, smart search, and voice responses."pattern = [{"POS": "ADJ"}, {"POS": "NOUN"}, {"POS": "NOUN", "OP": "?"}]
matcher.add("ADJ_NOUN", [pattern])doc = nlp(text)
matches = matcher(doc)for match_id, start, end in matches:print("形容词短语：", doc[start:end].text)

---

📌 6. 使用 Vocab 和 Lexeme 操作词汇表

nlp = spacy.blank("en")# 将字符串转换为 hash 值
word_hash = nlp.vocab.strings["hat"]
print("字符串 'hat' 的哈希值为：", word_hash)# 再将 hash 值反向转换为字符串
word_text = nlp.vocab.strings[word_hash]
print("哈希反查：", word_text)# 获取词汇的详细属性
lexeme = nlp.vocab["tea"]
print(lexeme.text, lexeme.orth, lexeme.is_alpha)

✨ 7. 手动创建 Doc 和 Span

在 spaCy 中，Doc 是处理文本的核心对象。我们可以使用 Doc 类手动创建文档，而不是通过 nlp() 处理字符串。

from spacy.tokens import Doc, Span
import spacynlp = spacy.blank("en")  # 创建一个空的英文模型tokens = ["Hello", "world", "!"]
spaces = [True, False, False]  # 单词之间是否有空格doc = Doc(nlp.vocab, words=tokens, spaces=spaces)
print("创建的文档：", doc)

接着我们可以用 Span 创建一个实体片段，并加上标签：

span = Span(doc, 0, 2, label="GREETING")  # "Hello world"
doc.ents = [span]  # 设置 doc 的实体
print("命名实体：", doc.ents)

---

🛠️ 8. 查看与修改 NLP 管道组件

spaCy 的 NLP 模型是一个管道（pipeline），包含多个组件（如分词、实体识别等）。

print("管道组件名称：", nlp.pipe_names)
print("组件详细信息：", nlp.pipeline)

你也可以向管道中添加自定义组件，例如：

from spacy.language import [e-mail]("length_logger")
def log_doc_length(doc):print(f"文档长度：{len(doc)}")return docnlp.add_pipe("length_logger", first=True)  # 插入为第一个组件
print("修改后的管道组件：", nlp.pipe_names)doc = nlp("A sample sentence.")

---

🐛 9. 自定义实体识别器（基于词性和词形）

我们用 Matcher 组件来匹配特定词汇（比如“moth”、“fly”、“mosquito”），并用 Span 标记为实体：

from spacy.matcher import Matchertext = "Qantas flies all sorts of cargo! That includes moths, mosquitos, and even the occasional fly."nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)# 添加匹配规则
for insect in ["moth", "fly", "mosquito"]:matcher.add("INSECT", [[{"LEMMA": insect, "POS": "NOUN"}]])@Language.component("insect_finder")
def mark_insects(doc):matches = matcher(doc)doc.ents = [Span(doc, start, end, label="INSECT") for _, start, end in matches]return docnlp.add_pipe("insect_finder", after="ner")  # 放在命名实体识别之后doc = nlp(text)
print("识别到的昆虫实体：", [(ent.text, ent.label_) for ent in doc.ents])

---

🔍 10. 文本向量与相似度计算

spaCy 中的 en_core_web_md 或 en_core_web_lg 模型提供了词向量。我们可以比较词、句子的相似度：

nlp = spacy.load("en_core_web_md")doc1 = nlp("I like fast food")
doc2 = nlp("I like pizza")print("句子相似度：", doc1.similarity(doc2))doc = nlp("I like pizza and pasta")
print("词语相似度（pizza vs pasta）：", doc[2].similarity(doc[4]))

---

📚 11. 使用 nlp.pipe 批量处理文本

如果你需要处理大量文本，nlp.pipe() 是更高效的选择：

texts = ["First example!", "Second example."]
for doc in nlp.pipe(texts):print("处理结果：", doc)

---

🧩 12. 给 Doc 添加自定义属性（Context 扩展）

使用 Doc.set_extension() 可以添加自定义字段，例如 id 或 page_number：

from spacy.tokens import Docdata = [("This is a text", {"id": 1, "page_number": 15}),("And another text", {"id": 2, "page_number": 16}),
]# 只设置一次，重复设置会报错
try:Doc.set_extension("id", default=None)Doc.set_extension("page_number", default=None)
except ValueError:pass# 给每个 doc 添加上下文属性
for doc, context in nlp.pipe(data, as_tuples=True):doc._.id = context["id"]doc._.page_number = context["page_number"]print(f"{doc.text} | ID: {doc._.id} | 页码: {doc._.page_number}")

---

🔧 13. 控制管道的运行组件（select_pipes）

你可以临时禁用某些组件，加快处理速度或避免不必要的分析：

text = """Chick-fil-A is an American fast food restaurant chain headquartered in 
College Park, Georgia."""with nlp.select_pipes(disable=["tagger", "parser"]):  # 临时关闭组件doc = nlp(text)print("命名实体：", doc.ents)print("词性标注（关闭 tagger 后）：", [token.tag_ for token in doc])