基本概念
- doc: 表示document的缩写,可以结构化地读取文本相关的信息,并且不会产生丢失
doc = nlp(text)
for token in doc:
print(token.text)
- token表示文本中的字符,比如一个词或者一个标点符号。要读取某个位置的词符,可以直接使用doc的索引;token中也会包含很多属性,比如
.text
就会输出对应的原文;
doc = nlp(text)
token = doc[1]
print(token.text)
- span实例是文本中包含了一个或者更多字符的一段截取,仅仅是Doc的一个视图不包含实际的数据;
doc = nlp(text)
span = doc[1:3]
print(span.text)
统计模型
介绍:从语境中抽取到的语言学属性,包括:词性标注、依存关系解析、命名实体识别;
从标注过的文本中训练而来;
可以使用更多的标注数据来更新模型,优化抽取结果;
模型包括:二进制权重(用于进行属性预测),词汇表和元信息(配置spacy语言类以及相应的处理流程组件);
在不了解属性的时候,可以使用spacy.explain("对应属性名称")
来查找对应的属性含义;
基于规则的匹配抽取
基于Doc对象而不是直接在字符串上进行匹配&#