如何在Spacy中获取包含指定Span/Token的句子编号？

当然可以实现，核心是先让Spacy对文档进行分句，再通过匹配到的Span确定其所属句子的索引。

关键说明 #

你之前的代码禁用了部分组件，但句子分割需要依赖Spacy的分句功能。可以通过保留parser组件（能提供更准确的分句结果），或者添加轻量的sentencizer组件来实现分句。

修改后的示例代码 #

from spacy.matcher import PhraseMatcher
import spacy
from spacy.tokens import Span

# 方案1：保留parser组件实现分句（推荐，分句更准确）
nlp = spacy.load("en_core_web_sm", disable=["ner", 'lemmatizer', 'attribute_rules'])

# 方案2：用轻量sentencizer组件（适合追求速度的场景）
# nlp = spacy.load("en_core_web_sm", disable=["ner", 'lemmatizer', 'attribute_rules', 'tagger', 'parser'])
# nlp.add_pipe("sentencizer")

matcher = PhraseMatcher(nlp.vocab, attr="LOWER")
matcher.add("obama", [nlp("Barack Obama"), nlp("Baracko Obama"), nlp("Baracko OBAMA")])
doc = nlp("BARACK OBAMA lifts America one last time in emotional. Farewell Baracko Obama baracko obama")

# 先提取文档的所有句子
sentences = list(doc.sents)

matches = matcher(doc)
# 存储匹配结果及对应句子编号
result_with_sent_num = []

for match_id, start, end in matches:
    span = Span(doc, start, end)
    # 遍历句子，找到包含当前span的句子
    for sent_idx, sent in enumerate(sentences):
        # 句子的token范围是[sent.start, sent.end)，匹配span的起始token位置即可判断归属
        if sent.start <= start < sent.end:
            result_with_sent_num.append({
                "匹配文本": span.text,
                "匹配位置": (start, end),
                "句子编号": sent_idx + 1  # 转为从1开始的编号
            })
            break

# 输出结果
print("匹配结果与对应句子编号：")
for item in result_with_sent_num:
    print(f"{item['匹配文本']} -> 第{item['句子编号']}句，token位置：{item['匹配位置']}")

输出结果 #

匹配结果与对应句子编号：
BARACK OBAMA -> 第1句，token位置：(0, 2)
Baracko Obama -> 第2句，token位置：(11, 13)
baracko obama -> 第2句，token位置：(13, 15)

核心逻辑 #

1. 通过doc.sents获取文档的句子列表，每个句子对象自带start和end属性，对应其在文档中的token起始、结束位置。
2. 对每个匹配结果的起始token位置start，判断它落在哪个句子的[sent.start, sent.end)区间内，该句子的索引（+1转为从1开始的编号）就是对应的句子编号。

内容的提问来源于stack exchange，提问作者bib