如何在Spacy中拆分doc phrase并提取Text标签后的指定文本

问题原因 #

你现有代码的错误点有两个：

1. 正则匹配的目标对象错误：你将原始输入文本text传入了re.findall，但你需要匹配的是doc._.phrases返回的Phrase对象的字符串表示，自然匹配不到内容返回空列表
2. 正则规则大小写不匹配：你输出的示例是小写开头的phrase(，但正则写的是大写开头的Phrase(，规则和目标字符串不匹配

最优实现方案 #

不需要用正则解析字符串，spaCy textrank返回的Phrase对象本身自带text属性，直接取值拼接即可，代码如下：

import spacy

en_nlp = spacy.load("en_core_web_sm")
en_nlp.add_pipe("textrank", config={ "stopwords": { "word": ["NOUN"] } })
doc = en_nlp(text)

# 直接取前5个短语的text属性，用|拼接为单行字符串
result = " | ".join([phrase.text for phrase in doc._.phrases[:5]])
print(result)

这种方式比解析字符串更稳定，也不会出现末尾多余分隔符的问题。

若一定要用正则解析的兼容方案 #

如果特殊场景需要从Phrase的字符串输出里提取内容，可以用以下代码：

import re
import spacy

en_nlp = spacy.load("en_core_web_sm")
en_nlp.add_pipe("textrank", config={ "stopwords": { "word": ["NOUN"] } })
doc = en_nlp(text)

res = []
for phrase in doc._.phrases[:5]:
    match = re.search(r"phrase\(Text:'([^']+)'\)", str(phrase))
    if match:
        res.append(match.group(1))
result = " | ".join(res)
print(result)

内容的提问来源于stack exchange，提问作者d12