如何用Python SpaCy Pattern基于子串标记完整单词为UNIT实体？

你之前用lemma匹配liter无法命中kiloliters，核心原因是**kiloliters的lemma是kiloliter，和liter并非同一基本形式**，所以直接匹配lemma行不通。

以下是两种可行的解决方案：

方案1：使用正则匹配文本子串 #

通过TEXT属性的REGEX规则，匹配包含目标子串的单词（支持不区分大小写）：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")

# 定义UNIT实体的匹配模式
terms = [
    {
        "ent": "UNIT",
        "patterns": [
            [{"TEXT": {"REGEX": r".*liter.*"}}]  # 匹配任意包含liter的单词，不区分大小写
        ]
    }
]

# 初始化Matcher并加载模式
matcher = Matcher(nlp.vocab)
for term in terms:
    matcher.add(term["ent"], term["patterns"])

text = "There were 46 kiloliters of juice available"
doc = nlp(text)

# 执行匹配并输出结果
matches = matcher(doc)
for match_id, start, end in matches:
    entity_label = nlp.vocab.strings[match_id]
    print(f"匹配到实体: {doc[start:end].text}，类型: {entity_label}")

方案2：使用小写文本包含匹配 #

如果不需要正则的复杂规则，直接用LOWER属性的CONTAINS条件，匹配小写形式包含目标子串的单词：

terms = [
    {
        "ent": "UNIT",
        "patterns": [
            [{"LOWER": {"CONTAINS": "liter"}}]
        ]
    }
]

这种方式更简洁，自动忽略大小写差异，能匹配kiloliters、Milliliters等各种大小写变体。

如果需要更精准的匹配（比如只匹配以liter结尾的单位），可以调整正则为r".*liter(s)?$"，这样既能匹配单数的kiloliter，也能匹配复数的kiloliters。

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