在 spacy 中：在 spacy doc (python) 中添加一個 span (doc[a:b]) 作為實體

Question

我在整個文檔上使用正則表達式來捕獲此類正則表達式發生的跨度：

import spacy
import re

nlp = spacy.load("en_core_web_sm")
doc = nlp("The United States of America (USA) are commonly known as the United States (U.S. or US) or America.")

expression = r"[Uu](nited|\.?) ?[Ss](tates|\.?)"
for match in re.finditer(expression, doc.text):
    start, end = match.span()
    span = doc.char_span(start, end)
    # This is a Span object or None 
    # if match doesn't map to valid token sequence
    if span is not None:
        print("Found match:", span.text)

即使正則表達式匹配的邊界不對應於令牌邊界，也有一種方法可以獲得與文檔上的正則表達式匹配對應的跨度（令牌列表）。 請參閱：如何將匹配擴展為有效的標記序列？ 在https://spacy.io/usage/rule-based-matching

到目前為止，一切都很好。

既然我有一系列跨度，我該如何將它們轉換為實體？ 我知道實體標尺：EntityRuler 是一個管道組件（另請參見上面的鏈接），但該 entityruler 將模式作為輸入以在文檔中搜索而不是跨度。

如果我想在整個文檔上使用正則表達式來獲取我想轉換為 ents 的集合 os span，下一步是什么？ 實體統治者？ 如何？ 或者是其他東西？

說得更簡單：

nlp = spacy.load("en_core_web_sm")
doc = nlp("The aplicable law is article 102 section b sentence 6 that deals with robery")

我想使用 label “法律”從 doc[5,10] 中生成一個空間實體（實體），以便能夠： A）遍歷文本中的所有法律實體 B）使用可視化工具顯示文檔中包含的不同實體

Answer 1

將 span 作為實體添加到 doc 的最靈活方法是使用Doc.set_ents ：

from spacy.tokens import Span

span = doc.char_span(start, end, label="ENT")
doc.set_ents(entities=[span], default="unmodified")

使用default選項指定如何設置文檔中的所有其他標記。 默認情況下，其他標記設置為O ，但您可以使用default="unmodified"使它們保持不變，例如，如果您要增量添加實體。

https://spacy.io/api/doc#set_ents