Spacy自定义规则匹配问题：无法正确提取邮箱、手机号等信息

你的匹配模式[{"LOWER": "email"}, {"LOWER": "phone"}]要求**"email"和"phone"两个词连续相邻出现**，但目标文本里"email"后跟着冒号和邮箱地址，"phone"在逗号之后，两者并不连续，因此匹配器无法找到符合条件的结果。

根据你提取邮箱、手机号的需求，提供两种可行实现方式：

方式一：用Spacy Matcher提取标签对应内容 #

通过定义更灵活的匹配模式，定位"email:"/"phone:"标签后的目标内容：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

# 匹配邮箱："email" + 冒号 + 可选空格 + 邮箱格式文本
email_pattern = [
    {"LOWER": "email"},
    {"ORTH": ":"},
    {"IS_SPACE": True, "OP": "?"},  # 匹配可选空格
    {"TEXT": {"REGEX": r"[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+"}}
]
# 匹配手机号："phone" + 冒号 + 可选空格 + 数字序列
phone_pattern = [
    {"LOWER": "phone"},
    {"ORTH": ":"},
    {"IS_SPACE": True, "OP": "?"},
    {"LIKE_NUM": True}
]

matcher.add("EMAIL", [email_pattern])
matcher.add("PHONE", [phone_pattern])

my_text = "email: kashif.jilani@sample.com, phone: 1234567"
my_doc = nlp(my_text)
matches = matcher(my_doc)

for match_id, start, end in matches:
    entity_type = nlp.vocab.strings[match_id]
    # 跳过标签、冒号和空格，提取核心内容
    content_start = start + 3 if entity_type == "EMAIL" else start + 3
    content_span = my_doc[content_start:end]
    print(f"{entity_type}: {content_span.text}")

方式二：用正则表达式直接提取 #

如果不需要依赖Spacy的NLP能力，直接用Python内置正则模块更高效：

import re

my_text = "email: kashif.jilani@sample.com, phone: 1234567"

# 提取邮箱
email_match = re.search(r"email:\s*([a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+)", my_text, re.IGNORECASE)
if email_match:
    print(f"EMAIL: {email_match.group(1)}")

# 提取手机号
phone_match = re.search(r"phone:\s*(\d+)", my_text, re.IGNORECASE)
if phone_match:
    print(f"PHONE: {phone_match.group(1)}")

附加：若仅需匹配"email"/"phone"标签词 #

如果你的需求只是定位文本中的"email"和"phone"这两个词，修改模式为匹配单个词即可：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

# 匹配"email"或"phone"单个词
pattern = [{"LOWER": {"IN": ["email", "phone"]}}]
matcher.add("CONTACT_LABEL", [pattern])

my_text = "email: kashif.jilani@sample.com, phone: 1234567"
my_doc = nlp(my_text)
matches = matcher(my_doc)

for match_id, start, end in matches:
    span = my_doc[start:end]
    print(span.text)

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