Spacy分词与词性标注实战教程

本文深入解析了使用 spaCy 进行中文分词与词性标注的核心要点与常见陷阱：强调必须通过 `spacy.load()` 显式加载语言模型（如 `"zh_core_web_sm"`）才能调用 `nlp` 对象，指出中文环境下词形还原（`lemma_`）基本无效，应聚焦 `token.text`、`token.pos_` 和 `token.tag_`；澄清切片操作返回的是 `Span` 而非 `Token`，需注意类型差异以避免属性访问错误；揭示默认 pipeline 中 parser、NER 等组件会干扰词性标注结果，推荐通过 `disable` 参数精简组件以提升稳定性；同时提醒用户正视 spaCy 中文模型的统计本质——精度受限于训练语料，优化方向应优先落在模型配置、输入规范和合理预期上，而非盲目依赖规则修补。

spaCy 的 nlp 对象必须先调用才能分词

很多人写完 import spacy 就直接对字符串调 nlp("hello")，结果报错 NameError: name 'nlp' is not defined。这不是语法问题，是漏了模型加载步骤。

spaCy 不像 NLTK 那样自带轻量分词器，它必须显式加载语言模型——哪怕只是基础分词和词性标注，也得走一遍 spacy.load()。

• nlp = spacy.load("zh_core_web_sm")（中文）或 nlp = spacy.load("en_core_web_sm")（英文），模型名必须准确，大小写、下划线都不能错
• 首次运行会自动下载模型，如果网络受限，可提前用 python -m spacy download zh_core_web_sm 安装
• 别用 spacy.blank("zh") 代替——它没内置词汇表和词性规则，token.pos_ 全是 ""

分词结果里 token.text 和 token.lemma_ 别混用

中文场景下 token.lemma_ 基本无效，但很多人仍习惯性打印它，结果全是原词或空字符串。spaCy 的词形还原（lemmatization）严重依赖词性标注，而中文缺乏屈折变化，官方模型对中文的 lemma_ 支持极弱。

真正该关注的是 token.text（原始切分结果）、token.pos_（粗粒度词性，如 NOUN、VERB）、token.tag_（细粒度标签，如 NN、VV）。

• 中文分词质量取决于模型训练语料，zh_core_web_sm 在短句、专有名词上容易切错，比如把“微信支付”拆成“微信”“支付”而非整体识别为 PROPN
• 若需更高精度，可加规则：用 nlp.add_pipe() 插入自定义组件，匹配常见词组后设 token._.is_sentinel = True 并跳过后续处理
• token.is_punct、token.is_space 这类布尔属性比正则判断更可靠，避免手动过滤标点时漏掉全角符号

doc 对象不是 list，但支持索引和切片

拿到 doc = nlp("今天天气不错") 后，想取前两个词，别写 doc[0:2].text 报错说 'Span' object has no attribute 'text'——因为切片返回的是 Span，不是 Token。

Span 有 .text，但没有 .pos_；单个 Token 才有完整词性信息。这个类型混淆在循环处理时特别容易踩坑。

• 遍历每个词用 for token in doc:，安全获取 token.text 和 token.pos_
• 要取子句（比如主谓宾结构），用 doc[1:4] 得到 Span，再用 span.text 拿文本，但词性得单独从每个 token 读
• 别对 doc 直接用 len() 判断是否为空——空字符串返回空 Doc，len(doc) 是 0，但 doc 本身不为 None，判空请用 if doc:

中文词性标注不准？先关掉 disable 以外的 pipeline 组件

默认加载的模型带 parser、ner 等组件，它们会互相影响中文的 pos_ 输出。比如开启命名实体识别（NER）后，“苹果”在“吃苹果”里可能被强行标成 PROPN（因同时出现在“苹果公司”语境中）。

如果只要分词+词性，启动时显式禁用无关组件能提升稳定性：

import spacy
nlp = spacy.load("zh_core_web_sm", disable=["parser", "ner", "textcat"])

注意：disable 参数必须传列表，不能传字符串；禁用 parser 后 token.dep_ 会变空，但 pos_ 反而更贴近分词本意。

• 如果后续还要做依存分析，就别禁用 parser，但得接受词性偶尔妥协于句法结构
• zh_core_web_sm 的词性体系基于 UD（Universal Dependencies），和传统汉语语法术语不完全对应，比如“了”标为 AUX 而非“助词”
• 调试时打印 [(t.text, t.pos_, t.tag_) for t in doc] 比只看 doc 字符串更直观

事情说清了就结束。spaCy 的中文支持本质是统计驱动，模型没看到过的搭配，规则再补也有限；与其纠结单个词的 pos_ 是否“正确”，不如先确认 pipeline 配置和输入文本的规范性。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。