1

我刚刚开始使用 Spacy 并通过文本来测试它如何处理我使用 AntFileConverter 进行 OCR 处理的 pdf。

txt 文件（下面的示例 - 将附加但不确定如何）看起来不错，采用 UTF-8 格式。但是，当我以 CONLL 格式输出文件时，由于某种原因，出现了各种明显的空白，这些空白没有原始单词，但似乎已经被识别出来。这发生在结尾和句子中。

“北半球许多水域的物种。在该地区的大多数国家，梭子鱼具有商业和娱乐价值（Crossman & Casselman 1987；Raat 1988）。梭子鱼是典型的坐等捕食者，通常通过伏击来捕食猎物（韦伯和斯卡德森 1980)。”

我们的输出如下：

        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

我也尝试过不打印 NER，但这些差距继续被标记。我认为这可能与换行符有关，所以我也尝试了 Linux 风格的 EOL，但这并没有任何区别。

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
                 ))

有没有其他人有这个问题？如果是这样，您知道我该如何解决吗？

4

1 回答 1

1

这是spaCy中的一个已知错误。

在修复之前，您必须进行一些后期处理才能摆脱那些“空白”实体。幸运的是，这很容易，该库的作者发布的这段代码显示了如何：

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')

因此，您首先定义一个后处理管道，该管道过滤所有text仅由空白字符组成的实体（使用isspace()）。

然后将此管道添加到 NLP 管道，设置为在 NER 之后运行。然后在此之后的任何时候使用nlp_en，它都不会返回这些实体。

于 2018-10-19T15:57:41.610 回答