如何使用spaCy拆分提取句子中的独立日期实体

你遇到的情况是spaCy默认NER模型把30 June 2019 to 1 January 2022整个识别成了一个DATE实体，而你需要拆分出两个独立的日期。下面提供两种可行的解决方法：

方法1：手动拆分已识别的DATE实体 #

既然spaCy会把连续的日期范围合并为单个实体，我们可以在提取后检查实体文本中是否包含to（注意前后空格，避免误分割其他含"to"的文本），如果存在就拆分后分别加入结果列表。

修改后的代码：

def extract_dates_with_year(text):
    doc = nlp(text)
    dates_with_year = []
    for ent in doc.ents:
        if ent.label_ == "DATE":
            # 检查是否包含日期范围分隔符" to "
            if " to " in ent.text:
                # 拆分后将每个日期添加到列表
                dates_with_year.extend(ent.text.split(" to "))
            else:
                dates_with_year.append(ent.text)
    return dates_with_year

测试该函数后，目标文本的返回结果为['30 June 2019', '1 January 2022']，符合预期。

方法2：用spaCy Matcher自定义匹配规则 #

如果需要更通用的日期提取逻辑（不依赖"to"这类连接词），可以使用spaCy的Matcher定义单独日期的匹配模式，直接定位符合格式的独立日期片段。

示例代码：

from spacy.matcher import Matcher

def extract_dates_with_year(text):
    doc = nlp(text)
    matcher = Matcher(nlp.vocab)
    # 定义匹配规则：数字 + 首字母大写的月份（专有名词） + 4位年份
    pattern = [
        {"POS": "NUM"},
        {"POS": "PROPN", "IS_TITLE": True},
        {"POS": "NUM", "LENGTH": 4}
    ]
    matcher.add("DATE_PATTERN", [pattern])
    matches = matcher(doc)
    
    dates_with_year = []
    for match_id, start, end in matches:
        span = doc[start:end]
        dates_with_year.append(span.text)
    return dates_with_year

这种方法直接匹配数字+月份+4位年份的格式片段，不管中间的连接词是什么，都能精准提取独立日期。

内容的提问来源于stack exchange，提问作者Muhammad Kamil