如何用Python筛选出指定名词作主语的目标句子？

问题背景 #

研究小型文本语料库时，需回溯以指定名词（如"man"）作主语的原句，现有代码仅能筛选包含目标名词的句子，无法限定其为主语位置。

改进思路 #

要准确识别主语，需通过依存句法分析定位标注为nsubj（名词主语）的成分，而非仅依赖词性标注。推荐使用spaCy工具，它的依存解析准确率更高，API简洁易用。

修改后的代码 #

import spacy

def find_the_subject(subject_noun, corpus):
    # 加载spaCy英文模型（首次使用需运行：python -m spacy download en_core_web_sm）
    nlp = spacy.load("en_core_web_sm")
    target_noun_lower = subject_noun.lower()
    result_sentences = []
    
    for sentence in corpus:
        doc = nlp(sentence)
        # 遍历句子中的每个token，检查是否为名词主语且匹配目标名词
        for token in doc:
            if token.dep_ == "nsubj" and token.text.lower() == target_noun_lower:
                result_sentences.append(sentence)
                break  # 找到即停止，避免重复添加同一句子
    return result_sentences

代码说明 #

1. 依存句法分析：通过spaCy的dep_属性识别nsubj（名词主语）关系，这是判定主语的核心依据。
2. 大小写兼容：将目标名词和句子中的词统一转为小写，避免因首字母大写（如"The Man"）漏判。
3. 去重处理：找到符合条件的token后立即跳出循环，防止同一句子因多次匹配被重复添加。

若坚持使用NLTK的替代方案 #

如果必须基于NLTK实现，可借助CoreNLP依存解析器（需提前安装CoreNLP服务）：

import nltk
from nltk.parse.corenlp import CoreNLPDependencyParser

def find_the_subject(subject_noun, corpus):
    # 连接本地CoreNLP服务（需先启动CoreNLP：java -mx4g -cp "*" edu.stanford.nlp.pipeline.StanfordCoreNLPServer）
    parser = CoreNLPDependencyParser(url='http://localhost:9000')
    target_noun_lower = subject_noun.lower()
    result_sentences = []
    
    for sentence in corpus:
        parse, = parser.raw_parse(sentence)
        # 遍历依存关系，寻找nsubj且词形匹配的节点
        for governor, dep, dependent in parse.triples():
            if dep == 'nsubj' and dependent[0].lower() == target_noun_lower:
                result_sentences.append(sentence)
                break
    return result_sentences

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