如何利用spaCy定位文本中ORG实体位置并提取其周边词汇？

嘿，我来帮你搞定这个问题！首先得指出你当前代码里的问题：你写的字符串拼接逻辑完全跑偏啦，company = company[:ent.start_char] + company[:ent.start_char -1] +company[:ent.end_char +1] 这段不仅没法定位实体，还会把文本拆得乱七八糟。咱们换个思路，用spaCy的token索引来处理词汇会更准确——毕竟spaCy已经帮咱们把文本分割成了一个个独立的词（token）。

核心思路 #

要提取ORG实体的周边词汇，咱们可以利用spaCy实体的start和end属性：这两个属性代表实体在Doc对象中的token索引位置，用这个来获取前后的词汇比字符位置靠谱多了，毕竟字符位置没法直接对应到“词汇”这个单位。

修正后的代码 #

import spacy

# 加载官方推荐的英文轻量模型（旧的'en'已经不建议使用啦）
nlp = spacy.load('en_core_web_sm')

# 你的示例文本
text = "I was working as a marketing executive for Bank of India, a 4 months contract."

# 处理文本得到Doc对象
doc = nlp(text)

# 遍历所有实体，筛选ORG类型
for ent in doc.ents:
    if ent.label_ == 'ORG':
        print(f"识别到ORG实体: {ent.text}")
        # 若需要定位实体在原始文本中的字符位置，直接用这两个属性
        print(f"实体字符位置: 起始{ent.start_char}, 结束{ent.end_char}")
        
        # 获取实体的token索引范围（spaCy的token索引是左闭右开）
        ent_token_start = ent.start
        ent_token_end = ent.end
        
        # 提取前一个词（要判断是否有前词，避免索引越界报错）
        if ent_token_start > 0:
            prev_word = doc[ent_token_start - 1]
            print(f"实体前一个词: {prev_word.text}")
        
        # 提取后一个词（同样要做边界判断）
        if ent_token_end < len(doc):
            next_word = doc[ent_token_end]
            print(f"实体后一个词: {next_word.text}")
        
        # 拓展：提取前后2个词的范围（可以调整数字来获取更多周边词汇）
        surrounding_start = max(0, ent_token_start - 2)
        surrounding_end = min(len(doc), ent_token_end + 2)
        surrounding_words = [token.text for token in doc[surrounding_start:surrounding_end]]
        print(f"实体前后2个词的范围: {surrounding_words}")
        print("---")

代码说明 #

1. 模型选择：用en_core_web_sm替代旧的en，这是spaCy官方维护的最新轻量模型，实体识别效果更稳定。
2. 索引逻辑：ent.start是实体第一个token在Doc中的索引，ent.end是实体最后一个token的下一个索引（所以Doc切片遵循左闭右开规则）。
3. 边界判断：提取前后词汇时必须判断索引是否在合法范围内，避免出现IndexError。
4. 灵活拓展：如果需要提取更多周边词汇，只需要调整surrounding_start和surrounding_end里的数字就行，比如改成-3和+3就能获取前后3个词的范围。

如果你只是想定位实体在原始文本中的片段，直接用original_text[ent.start_char:ent.end_char]就能取出实体对应的文本内容。

内容的提问来源于stack exchange，提问作者Sherly