Presidio新增实体识别器后西班牙语环境无法生效的问题排查

核心问题分析 #

你添加的自定义COMPANY实体在西班牙语环境下未被正确识别替换，核心原因大概率是自定义规则未关联到西班牙语环境，或多语言替换标签配置有误，和西班牙语NLP模型本身无关（自定义实体依赖规则/关键词识别，而非模型自带的实体识别能力）。

具体排查与修复步骤 #

1. 检查多语言yaml配置正确性 #

确保西班牙语（es）配置节点下存在COMPANY对应的替换模板，且格式与原有实体一致：

# 示例多语言yaml配置片段
es:
  PERSON: "Nombre_{{index}}"
  COMPANY: "Compañia_{{index}}"
  EMAIL_ADDRESS: "Correo_{{index}}"
  LOCATION: "Ubicación_{{index}}"
  PHONE_NUMBER: "Teléfono_{{index}}"

• 注意Compañia的拼写（包含ñ），以及模板变量{{index}}的格式要和其他实体保持统一。

2. 确认add_entity方法的语言适配逻辑 #

你的add_entity方法需要确保将关键词规则注册到西班牙语的识别器中，而非仅默认绑定英文环境：

• 如果add_entity支持指定语言参数，修改调用代码：

  presidio_handler.add_entity('COMPANY', ["Microsoft", "Apple"], language="es")
  

• 若方法默认全局添加，检查内部实现是否为所有语言的KeywordRecognizer都同步添加了关键词列表。Presidio中每个语言对应独立的识别器实例，需确保西班牙语识别器能获取到COMPANY的关键词规则。

3. 验证实体识别环节是否生效 #

在匿名化前先打印实体分析结果，确认西班牙语环境下是否识别到COMPANY实体：

from presidio_handler import PresidioHandler

if __name__ == '__main__':
    presidio_handler = PresidioHandler()
    presidio_handler.add_entity('COMPANY', ["Microsoft", "Apple"], language="es")
    text = "Daniel y Alvaro trabajan en Microsoft y Apple"
    language = "es"
    # 先输出实体分析结果
    analyze_results = presidio_handler.analyze_text(text, language)
    print(analyze_results)
    # 再执行匿名化
    result = presidio_handler.anonymize_text(text, language)
    print(result)

• 如果analyze_results中没有entity_type="COMPANY"的条目，说明规则未正确注册到西班牙语识别器；如果有实体条目但替换结果不对，就是yaml配置的标签映射问题。

自定义实体创建建议 #

• 针对固定词汇类的自定义实体（如公司名），优先使用关键词匹配，务必为目标语言单独注册关键词列表；
• 若需要识别变体拼写的实体，可以为西班牙语添加PatternRecognizer规则；
• 调试时优先验证实体识别结果，再排查匿名化替换逻辑，定位问题更高效。

内容的提问来源于stack exchange，提问作者suribe06