spaCy自定义管道中Matcher无法匹配文本的问题求助

我是spaCy新手，正在学习使用Matcher从演员维基百科页面提取出生日期（DOB），例如：

Scarlett Ingrid Johansson (/dʒoʊˈhænsən/;[1] born November 22, 1984) is an American actress. The world's highest-paid actress in 2018 and 2019, she has featured multiple times on the Forbes Celebrity 100 list.

我尝试匹配born November 22, 1984格式的内容，提取日期并标记为"DOB"。我的代码直接对doc对象运行时可得到预期结果，但将其加入自定义管道后却无法匹配任何内容。

我的匹配模式代码：

nlp = spacy.load("en_core_web_sm")

# pattern for `born MM DD, YYYY`
born_pattern = [{'LOWER': 'born'},
        {'ENT_TYPE': 'DATE'},
        {'ENT_TYPE': 'DATE'},
        {'ORTH': ','},
        {'ENT_TYPE': 'DATE'}]

matcher = Matcher(nlp.vocab)
matcher.add("DOB", [ born_pattern ])

直接测试代码时输出符合预期：

testdoc = nlp("Alex, born January 22, 1960, is an athlete.")
matches = matcher(testdoc)
for match_id, start, end in matches:
  # grab the date
  print( testdoc[start+1:end])

输出：January 22, 1960

但加入管道后无匹配结果：

@Language.component("dob_component")
def dob_component_function(doc):
    # Create an entity Span with the label "DOB" for all matches
    matches = matcher(doc)
    print("Matches found: ", len(matches))

    # the `start+1` will skip the "born" token
    doc.ents = list(doc.ents) + [Span(doc, start+1, end, label="DOB") for match_id, start, end in matches]
    return doc

nlp.add_pipe("dob_component", before="ner")
print(nlp.pipe_names)

# output
# ['tok2vec',
# 'tagger',
# 'parser',
# 'attribute_ruler',
# 'lemmatizer',
# 'dob_component',
# 'ner']

testdoc = nlp("Alex, born January 22, 1960, is an athlete.")

#output
# Matches found:  0

关键原因：你的匹配模式依赖ENT_TYPE: DATE，但这个标签是由spaCy的ner组件标注的。你把自定义管道dob_component加在了ner之前，此时处理doc时，NER还没运行，所有token的ENT_TYPE都是空值，自然匹配不到任何结果。

有两种解决办法：

办法一：调整管道顺序到NER之后 #

把自定义管道放在ner组件之后，这样NER已经完成了实体标注，ENT_TYPE有值就能匹配：

# 替换原来的add_pipe语句
nlp.add_pipe("dob_component", after="ner")

办法二：修改匹配模式，不依赖NER的ENT_TYPE #

如果必须在NER之前运行组件，可以用其他特征来匹配日期，比如利用IS_DATE属性（spaCy的token自带的日期判断），或者匹配月份文本、数字格式：

# 示例：用IS_DATE和标点匹配
born_pattern = [
    {'LOWER': 'born'},
    {'IS_DATE': True},
    {'IS_DATE': True},
    {'ORTH': ','},
    {'IS_DATE': True}
]

# 或者更精确的月份+数字+逗号+年份模式
month_list = ["january", "february", "march", "april", "may", "june", "july", "august", "september", "october", "november", "december"]
born_pattern = [
    {'LOWER': 'born'},
    {'LOWER': {'IN': month_list}},
    {'LIKE_NUM': True},
    {'ORTH': ','},
    {'LIKE_NUM': True, 'LENGTH': 4}
]

注意：使用IS_DATE需要确保spaCy的tokenizer正确识别日期，而用月份列表的方式更精准，适合固定格式的出生日期匹配。

内容的提问来源于stack exchange，提问作者user3377465