spacy的安装与使用

---

一、安装

下载spacy：conda install spacy

下载英文model：sm、md、lg分别表示三种大小的nlp模型，en_core_web_lg更精确，一般en_core_web_sm即可

conda install -c conda-forge spacy-model-en_core_web_sm
conda install -c conda-forge spacy-model-en_core_web_md
conda install -c conda-forge spacy-model-en_core_web_lg

各类spacy模型的网址：https://github.com/explosion/spacy-models/tags
官方文档：https://spacy.io/api/doc

二、使用教程

spacy的统计模型和处理管道是其核心内容。

统计模型使spacy能够执行一些nlp任务，如词性标记、命名实体识别、依存关系解析
导入模型：import spacy之后，执行spacy.load('model_name')导入模型

import spacy
nlp = spacy.load('en_core_web_sm')

处理管道：使用spacy时第一步是将文本字符串传递给nlp对象，这个对象本质上是由几个文本预处理操作组成的管道(如标记生成器、标签器、解析器、ner等)

import spacy
nlp = spacy.load('en_core_web_sm')

# 创建nlp对象
doc = nlp("he want to be alone")
# 输出活动的管道组件
print(nlp.pipe_names)
# 禁用部分管道组件
# 当只需要标记文本时，可禁用整个管道，此时标记化过程会变得非常快
nlp.disable_pipes('tagger','parser')
print(nlp.pipe_names)

三 、使用spacy执行各种nlp任务

3.1、词性标注

自动将词性标注分配给句子中所有单词，该任务有助于nlp的各种下游任务(如特征工程、语言理解、信息提取等)

doc2 = nlp("when that comes, all the things will be solved.")
# 遍历token，输出每个token的pos标记，
# 若不明白标记的含义，可使用spacy.explain("PART")来确定
for token in doc2:
    print(token.text,"--->",token.pos_)

3.2、依存分析

通过依存句法分析提取出句子的语法结构，也可看做是一个有向图，图中的节点对应于句子中的单词，图中的边对应于单词间的对应依赖关系

doc3 = nlp("I wish nothing but the best for you too.")
for token in doc3:
    print(token.text,"--->",token.dep_)

3.3、命名实体识别

实体是表示诸如个人、地点、组织等常见事物的信息的词或词组，即具有专有名称

doc4 = nlp("Indians spent over $71 billion on clothes in 2018")
for ent in doc4.ents:
    print(ent.text, ent.label_)

3.4、基于规则的spacy匹配

使用spacy匹配器，可以以用户定义的规则在文本中匹配到单词或短语

• 类似于正则表达式，正则表达式使用文本模式来查找单词和短语，
• spacy匹配器不仅使用文本模式还使用单词的词汇属性(如pos标记、依赖标记、词根等)

# 4. 基于规则的spacy匹配
from spacy.matcher import Matcher
#用spaCy词汇表初始化Matcher对象
matcher = Matcher(nlp.vocab)
# 向nlp对象传递输入文本内容
doc4 = nlp("HELLO WORLD on Google Maps.")

# 定义内容提取规则
patterns = [
   [{"LOWER": "hello"}, {"LOWER": "world"}],
   [{"ORTH": "Google"}, {"ORTH": "Maps"}]
]
# 定义打印函数
def on_match(matcher, doc, id, matches):
    print('Matched!', matches)  #输出：[匹配ID,匹配标记的起始位置，结束位置]
    for match_id, start, end in matches:
        # 获得匹配的宽度
        matched_span = doc4[start:end]
        print(matched_span.text)
# 将规则、函数添加到matcher对象
matcher.add("TEST_PATTERNS", patterns, on_match=on_match)

# 用自定义的提取规则提取文本
matches = matcher(doc4)

matcher.add(match_id, patterns[, on_match] [, greedy])

向匹配器添加一条规则，以对匹配项进行操作

# 5. spaCy matcher的另一个用例
doc51 = nlp("You read this book")
doc52 = nlp("I will book my ticket")
matcher2 = Matcher(nlp.vocab)
pattern = [{'TEXT': 'book', 'POS': 'NOUN'}]
matcher2.add('rule_2', [pattern])
matches1 = matcher2(doc51)
matches2 = matcher2(doc52)
print(matches1)
print(matches2)