Question

我刚刚开始使用Spacy，并通过文字测试了我使用AntFileConverter OCR创建的pdf的工作方式。

该txt文件（下面的示例-可以附加但不确定如何）似乎很好，位于UTF-8中。但是，当我以CONLL格式输出文件时，由于某种原因，存在各种明显的间隙，这些间隙没有原始词，但似乎已被识别出来。这发生在结尾和句子中。

在北半球许多水域中的物种。该地区大多数国家的派克都有娱乐价值（Crossman＆Casselman 1987; Raat 1988）。派克犬是典型的静坐捕食者通常是通过伏击来猎捕猎物（Webb＆ Skadsen 1980）。”

输出如下：

        GPE 24  
26  species specie  NNS     20  attr
27  in  in  IN      26  prep
28  many    many    JJ      29  amod
29  waters  water   NNS     27  pobj
30  in  in  IN      29  prep
31  the the DT      33  det
32  northern    northern    JJ      33  amod
33  hemisphere  hemisphere  NN      30  pobj
34  .   .   .       20  punct
1   In  in  IN      9   prep
2   

        GPE 1   
3   most    most    JJS     4   amod
4   countries   country NNS     9   nsubj
5   in  in  IN      4   prep
6   the the DT      8   det
7   region  region  NN      8   compound
8   pike    pike    NN      5   pobj
9   has have    VBZ     0   ROOT
10  both    both    DT      11  preconj
11  commercial  commercial  JJ      9   dobj
12  

        GPE 11  
13  and and CC      11  cc
14  recreational    recreational    JJ      15  amod
15  value   value   NN      11  conj
16  (   (   -LRB-       15  punct
17  Crossman    crossman    NNP ORG 15  appos
18  &   &   CC  ORG 17  cc
19  Casselman   casselman   NNP ORG 17  conj
20  1987    1987    CD  DATE    17  nummod
21  ;   ;   :       15  punct
22  

        GPE 21  
23  Raat    raat    NNP     15  appos
24  1988    1988    CD  DATE    23  nummod
25  )   )   -RRB-       15  punct
26  .   .   .       9   punct
1   Pike    pike    NNP     2   nsubj
2   is  be  VBZ     0   ROOT
3   a   a   DT      10  det
4   typical typical JJ      10  amod
5   sit sit NN      10  nmod
6   -   -   HYPH        5   punct
7   and and CC      5   cc
8   -   -   HYPH        9   punct
9   wait    wait    VB      5   conj
10  predator    predator    NN      2   attr
11  

        GPE 10  
12  which   which   WDT     14  nsubj
13  usually usually RB      14  advmod
14  hunts   hunt    VBZ     10  relcl
15  prey    prey    NN      14  dobj
16  by  by  IN      14  prep
17  ambushing   ambush  VBG     16  pcomp
18  (   (   -LRB-       17  punct
19  Webb    webb    NNP     17  conj
20  &   &   CC      19  cc
21

我也尝试了不打印NER的情况，但是这些差距仍然存在。我认为这可能与换行符有关，所以我也尝试了Linux风格的EOL，但这没什么区别。

这是我正在使用的代码：

import spacy
import en_core_web_sm
nlp_en = en_core_web_sm.load()
input = open('./input/55_linux.txt', 'r').read()
doc = nlp_en(input)
for sent in doc.sents:
        for i, word in enumerate(sent):
              if word.head == word:
                 head_idx = 0
              else:
                 head_idx = word.head.i - sent[0].i + 1
              output = open('CONLL_output.txt', 'a')
              output.write("%d\t%s\t%s\t%s\t%s\t%s\t%s\n"%(
                 i+1, # There's a word.i attr that's position in *doc*
                  word,
                  word.lemma_,
                  word.tag_, # Fine-grained tag
                  word.ent_type_,
                  str(head_idx),
                  word.dep_ # Relation
                 ))

还有其他人有这个问题吗？如果是这样，您知道我该如何解决吗？

Answer 1

这是 spaCy 中的known bug。

在此问题得到解决之前，您将必须进行一些后期处理才能摆脱这些“空白”实体。幸运的是，这很容易，库的author发布的此片段显示了如何：

constexpr

因此，您首先定义一个后处理管道，该管道用def remove_whitespace_entities(doc): doc.ents = [e for e in doc.ents if not e.text.isspace()] return doc nlp_en.add_pipe(remove_whitespace_entities, after='ner')过滤所有仅由空格字符组成的实体（使用isspace()）。

然后将此管道添加到NLP管道，并设置为在NER之后运行。然后，此后任何时候使用text，它都不会返回这些实体。

将空白识别为实体的空间

1 个答案: