spaCy处置惩罚文本的历程是模块化的，当挪用nlp处置惩罚文本时，spaCy起首将文本符号化以天生Doc对象，然后，顺次在几个分歧的组件中处置惩罚Doc，这也称为处置惩罚管道。言语模子默许的处置惩罚管道顺次是：tagger、parser、ner等，每一个管道组件返回已处置惩罚的Doc，然后将其传递给下一个组件。

一，加载言语模子

spaCy运用的言语模子是预先练习的统计模子，能够或许展望言语特性，关于英语，共有en_core_web_sm、en_core_web_md和en_core_web_lg三种言语模子，运用spacy.load()函数来加载言语模子

spacy.load(name,disable)

个中，name参数是言语模子的名词，disable参数是禁用的处置惩罚管道列表，比方，建立en_core_web_sm言语模子，并禁用ner：

nlp = spacy.load("en_core_web_sm", disable=['ner'])

言语模子中不只预先界说了Language管道，还界说了处置惩罚文本数据的处置惩罚管道（pipeline），个中分词器是一个特别的管道，它是由Language管道肯定的，不属于pipeline。

{"lang": "en","name": "core_web_sm","description": "Example model for spaCy","pipeline": ["tagger", "parser", "ner"]

}

在加载言语模子nlp以后，能够检察该言语模子预先界说的处置惩罚管道，也就是说，处置惩罚管道依赖于统计模子。

1，检察nlp对象的管道

>>>nlp.pipe_names

['tagger', 'parser', 'ner']

2，移除nlp的管道

nlp.remove_pipe(name)

3，向nlp的处置惩罚管道中增添管道

nlp.add_pipe(component, name=None, before=None, after=None, first=None, last=None)

二，言语管道和分词器管道

Language管道是一个特别的管道，当挪用spacy.load()加载言语模子时，spaCy自动建立Lanuage管道，用于存储同享的词汇表、分词划定规矩（Tokenization Rule）和文本解释。

分词器管道是跟Language管道痛痒相关的一个管道，当建立Language管道以后，spaCy依据Language管道供应的词汇表来建立分词器。分词器用于把文本分为单词，标点符号，空格等符号，除运用默许的分词器以外，spaCy许可用户依据须要对分词器举行调解：

from spacy.tokenizer importTokenizer

tokenizer= Tokenizer(vocab=nlp.vocab,rules,prefix_search, suffix_search, infix_search, token_match)

参数解释:

  • vocab：词汇表
  • rules：dict范例，分词器的特别划定规矩，把婚配到特别划定规矩的单词作为一个token，主如果用于设置token的解释（annotation）；
  • prefix_search、suffix_search：范例是re.compile(string).search
  • infix_finditer：范例是re.compile(string).finditer，把婚配到这前缀、后缀或中缀的字符串作为一个token；
  • token_match：返回boolean值的函数范例，把婚配到的字符串识别为一个token；

在文本处置惩罚的历程当中，spaCy起首对文本分词，原始文本在空格处支解，类似于text.split(' ')，然后分词器（Tokenizer）从左向右顺次处置惩罚token，在处置惩罚token时，spaCy做了两个check：

  • 是不是婚配特别划定规矩（execption rule）
  • 是不是前缀、中缀或后缀能够支解

一个可选的布尔函数token_match，它婚配的字符串不会被拆分，掩盖之前的划定规矩，对URL或数字之类的器械很有效。

三，扩大言语

每一种言语都是分歧的，一般充溢异常和特别情况，尤其是最常见的单词。 个中一些破例是跨言语同享的，而其他破例则完整详细，一般异常详细，须要举行硬编码。 spaCy.lang模块包罗一切特定于言语的数据，以简朴的Python文件构造,这使得数据易于更新和扩大。

 

每一个零丁的组件能够在言语模块种导入遍历，并增加到言语的Defaults对象种，某些组件（如标点符号划定规矩）一般不须要自界说，能够从全局划定规矩中导入。 其他组件，好比tokenizer和norm破例，则异常详细，会对spaCy在特定言语上的显示和练习言语模子发生严重影响。

比方，导入English模块，检察该模块的资助：

from spacy.lang.en importEnglish

help(English)

经由过程这些模块来扩大言语，处置惩罚特别的语法，一般在分词器（Tokenizer）中增加特别划定规矩和Token_Match函数来完成。

1，向分词器中增加特别的划定规矩

importspacyfrom spacy.symbols importORTH, LEMMA, POS, TAG



nlp= spacy.load("en_core_web_sm")#add special case rule
special_case = [{ORTH: u"gim", LEMMA: u"give", POS: u"VERB"}, {ORTH: u"me"}]

nlp.tokenizer.add_special_case(u"gimme", special_case)

2，设置特别的划定规矩来婚配token

建立一个自界说的分词器，使分词把https作为一个token：

importreimportspacyfrom spacy.lang.en importEnglishdefmy_en_tokenizer(nlp):

    prefix_re=spacy.util.compile_prefix_regex(English.Defaults.prefixes)

    suffix_re=spacy.util.compile_suffix_regex(English.Defaults.suffixes)

    infix_re=spacy.util.compile_infix_regex(English.Defaults.infixes)

    pattern_re= re.compile(r'^https?://')returnspacy.tokenizer.Tokenizer(nlp.vocab,

                                     English.Defaults.tokenizer_exceptions,

                                     prefix_re.search,

                                     suffix_re.search,

                                     infix_re.finditer,

                                     token_match=pattern_re.match)

在处置惩罚文本时挪用该分词器，把婚配到正则的文本作为一个token来处置惩罚：

nlp = spacy.load("en_core_web_sm")

nlp.tokenizer=my_en_tokenizer(nlp)

doc= nlp(u"Spacy is breaking when combining custom tokenizer's token_match, access https://github.com/explosion/spaCy to get details")print([t.text for t in doc])

3，自界说分词器

预先界说的分词器是依照空格来分词的，用于能够自界说分词器

### customer tokenizer

classmyTokenizer(object):def __init__(self, vocab):

        self.vocab=vocabdef __call__(self, text):

        words=[]

        re_search=my_token_match(text)ifre_search:for start,end inre_search.regs:if start >=0 and end>=0:

                    words.append(text[start:end])

        text=my_token_replace(text)

        split_words=my_token_split(text)print(split_words)



        words.extend([wfor w in split_words if w!=''])#All tokens 'own' a subsequent space character in this tokenizer
        spaces = [True] *len(words)return Doc(self.vocab, words=words, spaces=spaces)

###parse the synonyms
RE_SYNONYMS=parse_synonyms()defmy_token_match(text):globalRE_SYNONYMSreturnre.compile(RE_SYNONYMS).search(text)defmy_token_replace(text):globalRE_SYNONYMSreturn re.compile(RE_SYNONYMS).sub('',text)defmy_token_split(text):#return re.compile('\s+|\W+|_+').split(text)
    return re.compile('\s+|\\+|_+').split(text)

援用自界说的分词器

nlp=spacy.load("en_core_web_sm")

nlp.tokenizer= myTokenizer(nlp.vocab)

 

 

 

参考文档：

Linguistic Features-Tokenization

Pipeline

Processing Pipelines

Adding Languages

Last modification：March 25, 2020
© Allow specification reprint
如果觉得我的文章对你有用，请随意赞赏