spaCy 第二篇：语言模型

spaCy处理文本的过程是模块化的，当调用nlp处理文本时，spaCy首先将文本标记化以生成Doc对象，然后，依次在几个不同的组件中处理Doc，这也称为处理管道。语言模型默认的处理管道依次是：tagger、parser、ner等，每个管道组件返回已处理的Doc，然后将其传递给下一个组件。

一，加载语言模型

spaCy使用的语言模型是预先训练的统计模型，能够预测语言特征，对于英语，共有en_core_web_sm、en_core_web_md和en_core_web_lg三种语言模型，还有一种语言模型：en，需要以管理员权限运行以下命令来安装en模型：

python -m spacy download en

使用spacy.load()函数来加载语言模型

spacy.load(name,disable)

其中，name参数是语言模型的名词，disable参数是禁用的处理管道列表，例如，创建en_core_web_sm语言模型，并禁用ner：

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

语言模型中不仅预先定义了Language管道，还定义了处理文本数据的处理管道（pipeline），其中分词器是一个特殊的管道，它是由Language管道确定的，不属于pipeline。

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

在加载语言模型nlp之后，可以查看该语言模型预先定义的处理管道，也就是说，处理管道依赖于统计模型。

1，查看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的处理管道中增加管道

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

二，语言管道和分词器管道

Language管道是一个特殊的管道，当调用spacy.load()加载语言模型时，spaCy自动创建Lanuage管道，用于存储共享的词汇表、分词规则（Tokenization Rule）和文本注释。

分词器管道是跟Language管道息息相关的一个管道，当创建Language管道之后，spaCy根据Language管道提供的词汇表来创建分词器。分词器用于把文本分为单词，标点符号，空格等标记，除了使用默认的分词器之外，spaCy允许用户根据需要对分词器进行调整：

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

参数注释:

• vocab：词汇表
• rules：dict类型，分词器的特殊规则，把匹配到特殊规则的单词作为一个token，主要是用于设置token的注释（annotation）；
• prefix_search、suffix_search：类型是re.compile(string).search
• infix_finditer：类型是re.compile(string).finditer，把匹配到这前缀、后缀或中缀的字符串作为一个token；
• token_match：返回boolean值的函数类型，把匹配到的字符串识别为一个token；

在文本处理的过程中，spaCy首先对文本分词，原始文本在空格处分割，类似于text.split(' ')，然后分词器（Tokenizer）从左向右依次处理token，在处理token时，spaCy做了两个check：

• 是否匹配特殊规则（execption rule）
• 是否前缀、中缀或后缀可以分割

一个可选的布尔函数token_match，它匹配的字符串不会被拆分，覆盖以前的规则，对URL或数字之类的东西很有用。

三，扩展语言

每一种语言都是不同的，通常充满异常和特殊情况，尤其是最常见的单词。 其中一些例外是跨语言共享的，而其他例外则完全具体，通常非常具体，需要进行硬编码。 spaCy.lang模块包含所有特定于语言的数据，以简单的Python文件组织,这使得数据易于更新和扩展。

每一个单独的组件可以在语言模块种导入遍历，并添加到语言的Defaults对象种，某些组件（如标点符号规则）通常不需要自定义，可以从全局规则中导入。 其他组件，比如tokenizer和norm例外，则非常具体，会对spaCy在特定语言上的表现和训练语言模型产生重大影响。

例如，导入English模块，查看该模块的帮助：

from spacy.lang.en import English
help(English)

通过这些模块来扩展语言，处理特殊的语法，通常在分词器（Tokenizer）中添加特殊规则和Token_Match函数来实现。

1，向分词器中添加特殊的规则

import spacy
from spacy.symbols import ORTH, 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，设置特殊的规则来匹配token

创建一个自定义的分词器，使分词把https作为一个token：

import re
import spacy
from spacy.lang.en import English

def my_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?://')
    return spacy.tokenizer.Tokenizer(nlp.vocab,
                                     English.Defaults.tokenizer_exceptions,
                                     prefix_re.search,
                                     suffix_re.search,
                                     infix_re.finditer,
                                     token_match=pattern_re.match)

在处理文本时调用该分词器，把匹配到正则的文本作为一个token来处理：

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，自定义分词器

预先定义的分词器是按照空格来分词的，用于可以自定义分词器

### customer tokenizer

class myTokenizer(object):
    def __init__(self, vocab):
        self.vocab = vocab

    def __call__(self, text):
        words=[]
        re_search=my_token_match(text)
        if re_search:
            for start,end in re_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([w for 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()

def my_token_match(text):
    global  RE_SYNONYMS

    return re.compile(RE_SYNONYMS).search(text)

def my_token_replace(text):
    global  RE_SYNONYMS

    return re.compile(RE_SYNONYMS).sub('',text)

def my_token_split(text):

    #return re.compile('\s+|\W+|_+').split(text)
    return re.compile('\s+|\\+|_+').split(text)

引用自定义的分词器

nlp=spacy.load("en_core_web_sm")
nlp.tokenizer = myTokenizer(nlp.vocab)

参考文档：

Linguistic Features-Tokenization

Pipeline

Processing Pipelines

Adding Languages