如何用spaCy Entity Ruler匹配含nch的整词屏幕尺寸？

你的问题核心在于：ORTH: 'nch'要求token的完整文本精确等于'nch'，但15.2nch是一个完整token，它的文本是15.2nch，所以这个条件永远无法满足。要匹配这种数字和单位连在一起的单个token，需要用正则表达式匹配整个token的文本，或者调整token属性的匹配逻辑。

可行解决方案 #

方案1：使用正则匹配整个token文本 #

直接通过TEXT的REGEX属性匹配符合"数字+nch"格式的单个token，这是最直接可靠的方式：

{"label": "inches", "pattern": [{"TEXT": {"REGEX": r"^\d+(\.\d+)?nch$"}}]}

这个正则会匹配：

• 整数+nch：比如5nch
• 小数+nch：比如15.2nch、3.14nch

如果需要兼容更多单位变体（比如拼写错误的inch、标准的in），可以扩展正则：

{"label": "inches", "pattern": [{"TEXT": {"REGEX": r"^\d+(\.\d+)?(nch|inch|in)$"}}]}

方案2：整合所有场景的完整模式 #

把你之前能匹配的14"、7.1-ch场景，和新的合并token场景整合到同一个patterns列表中：

patterns = [
    # 匹配独立token的"数字+英寸符号"（如14"）
    {"label": "inches", "pattern": [
        {"SHAPE": {"IN": ["dd", "d", "d.d", "dd.d"]}},
        {"ORTH": '"'}
    ]},
    # 匹配独立token的"数字+-+ch"（如7.1-ch）
    {"label": "inches", "pattern": [
        {"SHAPE": {"IN": ["dd", "d", "d.d", "dd.d"]}},
        {"ORTH": "-"},
        {"ORTH": "ch"}
    ]},
    # 匹配合并token的"数字+nch"（如15.2nch）
    {"label": "inches", "pattern": [{"TEXT": {"REGEX": r"^\d+(\.\d+)?nch$"}}]}
]

额外说明 #

• spaCy的SHAPE属性是描述整个token的字符形状，比如15.2nch的SHAPE是dd.daaa，所以你之前用的["dd.d", "dd", "d.d", "d"]无法匹配这个token的形状，这也是之前方案失效的另一个原因。
• 如果你需要对数字部分做更精确的形状匹配，可以在正则中保留数字的格式逻辑，或者自定义tokenizer规则提前拆分15.2nch这类token，但正则匹配是最轻量化的解决方案。

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