当前位置：首页 > news >正文

spaCy基础入门

news 来源：原创 2025/7/6 4:58:39

spaCy 概览说明

spaCy 是一个现代、快速、工业级 NLP 工具库，专门为实际工程应用设计，提供：
• 分词（Tokenization）
• 词性标注（POS Tagging）
• 命名实体识别（NER）
• 依存句法分析（Dependency Parsing）
• 句子分割（Sentence Segmentation）
• 词向量（Word Vectors）
• 文本相似度计算（Similarity）

并且内置多语言模型（英、德、法、中等），调用统一、速度极快，适合构建生产级 NLP 系统。

spaCy 典型方法功能总结

功能	方法 / 属性	说明
加载语言模型	`spacy.load()`	加载指定语言模型
文本分析	`nlp(text)`	对文本进行 NLP 分析
分词	`for token in doc`	拆分为单词 Token
词性标注	`token.pos_`	查看单词的词性
依存句法分析	`token.dep_`, `token.head`	分析句子成分依赖关系
命名实体识别	`for ent in doc.ents`	提取命名实体（人名、地名、组织等）
句子分割	`for sent in doc.sents`	将文本自动拆分为句子
词向量	`token.vector`	获取词向量（中大型模型）
相似度计算	`token1.similarity(token2)`	计算两个词或文本的相似度

spaCy 功能示例

0.安装与模型下载

pip install spacy
python -m spacy download en_core_web_sm

常用语言模型

模型名称	语言	特点	下载命令
`en_core_web_sm`	英文	轻量级，适合测试与学习	`python -m spacy download en_core_web_sm`
`en_core_web_md`	英文	中等体积，内置词向量	`python -m spacy download en_core_web_md`
`en_core_web_lg`	英文	大型模型，词向量丰富，准确率高	`python -m spacy download en_core_web_lg`
`zh_core_web_sm`	中文	轻量中文模型，分词、词性标注、NER	`python -m spacy download zh_core_web_sm`
`xx_ent_wiki_sm`	多语言	支持多语言命名实体识别	`python -m spacy download xx_ent_wiki_sm`

📌 推荐：开发实战用 en_core_web_md 或 en_core_web_lg，学习测试用 en_core_web_sm

加载模型

import spacy
nlp = spacy.load("en_core_web_sm")

1.分词 Tokenization

doc = nlp("Apple is looking at buying a U.K. startup.")
for token in doc:print(token.text)

输出

Apple
is
looking
at
buying
a
U.K.
startup
.

2.词性标注 POS Tagging

for token in doc:print(f"{token.text} -> {token.pos_}")

输出

Apple -> PROPN
is -> AUX
looking -> VERB
at -> ADP
buying -> VERB
a -> DET
U.K. -> PROPN
startup -> NOUN
. -> PUNCT

3.命名实体识别 Named Entity Recognition (NER)

for ent in doc.ents:print(f"{ent.text} -> {ent.label_}")

输出

Apple -> ORG
U.K. -> GPE

4.依存句法分析 Dependency Parsing

for token in doc:print(f"{token.text} <--{token.dep_}-- {token.head.text}")

输出

Apple <--nsubj-- looking
is <--aux-- looking
looking <--ROOT-- looking
at <--prep-- looking
buying <--pcomp-- at
a <--det-- startup
U.K. <--compound-- startup
startup <--dobj-- buying
. <--punct-- looking

5.句子分割 Sentence Segmentation

doc = nlp("""
Apple is looking at buying a U.K. startup.
NOVIDA is considering setting up a factory in China.
The Taliban is planning to hold a presidential election.
""")
for sent in doc.sents:print(sent.text)

输出

Apple is looking at buying a U.K. startup.NOVIDA is considering setting up a factory in China.The Taliban is planning to hold a presidential election.

6.词向量 Word Vectors （中大型模型）

下载重大模型: python -m spacy download en_core_web_md

nlp = spacy.load("en_core_web_md")
doc = nlp("apple banana orange")
print(doc[0].vector)

在这里插入图片描述

7.相似度计算 Similarity

print(doc[0].similarity(doc[1])) # 1.0

总结

spaCy 与 NLTK 功能对比

功能	NLTK	spaCy
分词	`word_tokenize()`	`doc` 对象自动分词
词性标注（POS）	`pos_tag()`	`token.pos_`
命名实体识别（NER）	`ne_chunk()`	`doc.ents`
依存句法分析	基本不支持	`token.dep_`, `token.head`
句子分割	`sent_tokenize()`	`doc.sents`
词向量	需外部 gensim	中大型模型内置
相似度计算	gensim 或自写算法	`similarity()` 内置
模型管理	无	内置多语言模型，直接调用
速度	较慢	极快
应用场景	学术、教学、自定义分析	工业级应用、实战项目

📌 小结：

📌 spaCy 更快更适合工业化项目
📌 NLTK 灵活适合教学与学术研究

spaCy基础入门

spaCy 概览说明 spaCy 是一个现代、快速、工业级 NLP 工具库，专门为实际工程应用设计，提供： • 分词（Tokenization） • 词性标注（POS Tagging） • 命名实体识别（NER） •…...

编程日记 2025/7/6 4:58:39

vue3项目创建-配置-elementPlus导入-路由自动导入

目录方法一：create-vue 方法二 ：Vite Vue Vite.config.ts配置引入element-plus 安装如何在项目中使用 Element Plus 完整引入按需导入 vue3vite中自动配置路由的神器：vite-plugin-pages 1. 安装 2、修改vite.config.js中配置…...

编程日记 2025/7/6 4:22:29

2025年的电脑能装win7吗_2025年组装电脑装win7详细图文教程

2025年的电脑能装win7吗？2025年的电脑可以安装Win7，但存在一些限制和挑战。2025年的电脑基本上是14代和15代处理器，需要特定的条件和步骤才能安装win7，并且只能采用独立显卡，因为没有集成显卡驱动。另外注意目前2025年…...

编程日记 2025/7/6 3:49:36

windowsC++操作ADB

文章目录一、ADB基础1. 工作原理2. 安装与配置二、常用ADB指令分类1. 设备连接与管理2. 文件传输3. 应用管理4. 设备交互5. 系统信息6. 日志与调试7. 网络与端口转发三、高级用法1. 多设备管理2. 无线ADB连接3. 批量执行命令4. ADB脚本示例四、常见问题与解决方案五、注意事…...

编程日记 2025/7/6 4:43:45

Springboot实现重试机制

背景研发工作中时常遇到要和其他服务对接，依赖对方能力的情况，最恶心的是对方提供的服务不稳定，时灵时不灵的，进而影响到自己功能的稳定性。万一发生了这种事，做为研发，咱该怎么办？通过容错直接…...

编程日记 2025/6/29 0:34:55

CS内网渗透 ----【内网渗透实战】PsExec vs Telnet：建立IPC通道实现横向移动与域控上线全解析

目录 1. 什么是 PsExec？ 2. 什么是 Telnet？ 3. PsExec 与 Telnet 的区别及优势 3.1 主要区别 3.2 内网渗透中的优势 4. 实际案例 —— 使用 PsExec 上线域控主机案例背景操作步骤案例效果 5. 总结利用 PsExec 建立 IPC 通道 —— IPC 的定…...

编程日记 2025/7/3 23:11:35

第二十三天打卡

作业： 整理下全部逻辑的先后顺序，看看能不能制作出适合所有机器学习的通用pipeline 数据预处理 → 特征选择 → 降维 → 模型训练 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split, GridSearchCV from sk…...

编程日记 2025/7/6 3:16:40

aardio - 将文本生成CSS格式显示

import win.ui; /*DSG{{*/ var winform win.form(text"aardio form";right759;bottom469) winform.add( button{cls"button";text"Button";left340;top130;right430;bottom180;z3}; edit{cls"edit";text"我是一串文本";lef…...

编程日记 2025/7/6 3:18:09

【漫话机器学习系列】256.用 k-NN 填补缺失值

用 k-NN 填补缺失值：原理、实现与应用在实际的数据科学项目中，我们经常会遇到数据缺失（Missing Values）的问题。缺失值如果处理不当，不仅会影响模型训练，还可能导致最终结果偏差。今天，我们…...

编程日记 2025/7/2 14:50:21

tomcat与nginx之间实现多级代理

准备工作准备5台虚拟主机；至少准备3台虚拟主机； 设备1作为代理服务器；设备2与设备4作为处理静态资源请求服务器（使用nginx）；设备3与设备5作为处理动态资源服务器（使用tomcat） 设…...

编程日记 2025/6/29 0:22:44

商业航天运动控制系统中的高可靠性芯片解决方案：挑战、策略与应用研究

摘要：随着商业航天领域的迅速发展，运动控制系统对芯片的可靠性提出了前所未有的挑战。本文深入探讨了商业航天运动控制系统中芯片可靠性面临的挑战，包括宇宙辐射效应、极端环境适应性及系统级可靠性保障等。同时，通过案例研究展示…...

编程日记 2025/6/28 23:42:30

[Java实战]Spring Boot 3 整合 Ehcache 3（十九）

[Java实战]Spring Boot 3 整合 Ehcache 3（十九） 引言在微服务和高并发场景下，缓存是提升系统性能的关键技术之一。Ehcache 作为 Java 生态中成熟的内存缓存框架，其 3.x 版本在性能、功能和易用性上均有显著提升。本文将详细介绍…...

编程日记 2025/7/6 4:06:35

【Flask全栈开发指南】从零构建企业级Web应用

目录 🌟 前言🏗️ 技术背景与价值🚧 当前技术痛点🛠️ 解决方案概述👥 目标读者说明 🔍 一、技术原理剖析📊 核心概念图解💡 核心作用讲解🧩 关键技术模块说明⚖️ 技术选…...

编程日记 2025/7/6 4:56:24

使用docker安装clickhouse集群

1、简介 clickhouse 作为大数据场景中，实现快速检索的常用列式存储数据库，采用物理机部署，会在数据量大的场景中，物理机器存储达到阈值需要扩容，会带来比较大的问题，因此，使用docker部署clickho…...

编程日记 2025/7/6 4:13:20

佰力博科技准静态d33测试的注意事项

准静态d33测试是测量压电材料纵向压电应变常数的重要方法，其注意事项包括以下几个方面： 选择合适的测量设备准静态d33测试需要使用专用的压电测试仪，如佰力博PEAI1000高精度压电分析仪、准静态d33测量仪或PCA1000压电陶瓷综合参数分析仪。这…...

编程日记 2025/7/6 4:27:41

iOS设备投屏Archlinux

我的iphone手机屏太小，我想把手机投到archlinux电脑上看。与是我就想找一个免费的软件。 UxPlay https://github.com/FDH2/UxPlay GPLv3，开源。原来只支持 AirPlay Mirror 协议，现在新增支持来自 AirPlay 的纯音频 （Apple Los…...

编程日记 2025/7/6 3:52:37

VUE_UI组件的二次封装

属性和事件 <template><div><myInput a"1" b"2" c"3" change"() > {}"></myInput></div> </template>myInput.vue <template><div><el-input v-bind"$attrs">&…...

编程日记 2025/7/6 3:06:15

算法·KMP

KMP算法的思想想要一次性遍历模板串 s 1 s_1 s1，不在匹配失败时重新开始遍历子串 s 2 s_2 s2，实现模板串不回退的效果。 KMP数组的理解 KMP数组有两种定义：一是匹配失败后，子串 s 2 s_2 s2应该回退的位置，一种…...

编程日记 2025/7/6 3:18:09

如何正确地写出单例模式

如何正确地写出单例模式 | Jarks Blog 枚举方式： public class SingletonObject {private SingletonObject() {}/*** 枚举类型是线程安全的，并且只会装载一次*/private enum Singleton {INSTANCE;private final SingletonObject instance;Singleton() {…...

编程日记 2025/7/6 4:05:45

Mac M系列安装 jadx-gui

安装 Homebrew在终端中执行以下命令（需管理员密码）： 安装 Homebrew（官方源） /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"国内用户可用镜像源加速&…...

编程日记 2025/7/6 3:08:34

水滴Android面经及参考答案

目录 static 关键字有什么作用，它修饰的方法可以使用非静态的成员变量吗？ Java 中创建线程有几种方式？ wait 和 sleep 的区别，如何打断 sleep？ Java 垃圾回收的目的是什么，垃圾回收机制是怎样的？ Java 的垃圾回收（GC）机制是如何工作的？请解释 Java 内存模型（J…...

编程日记 2025/6/29 0:42:30

《猜拳游戏》

综合案例《猜拳游戏》需求： 本游戏是一款单机游戏，人机交互规则： 需要双方出拳：石头、剪刀、布赢： 石头 → 剪刀剪刀 → 布布 → 石头平： 两边出拳相等输： … 实现： 选择对…...

编程日记 2025/6/29 0:14:58

Mysql索引优化

一、索引 1. 主键索引（Primary Index） 定义主键索引是一种特殊的唯一索引，用于唯一标识表中的每一行数据。每个表最多有一个主键索引，且索引列不允许为 NULL，自动添加 UNIQUE 和 NOT NULL 约束。特点：…...

编程日记 2025/7/6 4:33:29

Postgresql与openguass对比

背景介绍 PostgreSQL是世界上最先进的开源关系型数据库，以其强大的功能、稳定性和可扩展性著称。而openGauss是华为公司于2020年6月30日开源的数据库系统，内核基于PostgreSQL 9.2.4版本演进而来。值得注意的是，PostgreSQL 11.3版本拥有290个数…...

编程日记 2025/7/6 3:48:48

线程的概念和控制

自从20世纪60年代提出了进程的概念之后，操作系统一直以进程作为独立运行的基本单位。到了20世纪80年代，人们又提出了比进程更小的、能独立运行的基本单位——线程。提出线程的目的是试图提高系统并发执行的程度，从而进一步提高系统的吞吐量。…...

编程日记 2025/7/6 4:24:01

如何配置activemq，支持使用wss协议连接。

1、到阿里云申请一个证书，通过后下载jks证书。 2、配置activemq： 打开activemq安装目录中“conf/activemq.xml”，增加以下记录： <transportConnectors> <transportConnector name"wss" uri"…...

编程日记 2025/6/29 0:04:36

【言语】刷题3

front：刷题2 题干超限效应介绍冰桶挑战要避免超限效应 B明星的作用只是病痛挑战的一个因素，把握程度才是重点，不是强化弱化明星作用，排除 A虽没有超限效应，但是唯一的点出“冰桶效应”的选项，“作秀之嫌…...

编程日记 2025/6/29 0:59:49

关于 ast: Babel AST 全类型总览

AST 的每个节点都有一个 type 字段，用来标识它的语法类型。程序结构节点 type说明示例Program整个程序的根节点整体代码结构BlockStatement大括号代码块 {}if、function、for 等的主体ExpressionStatement表达式语句（如 a b;）EmptyStatem…...

编程日记 2025/7/6 4:25:49

STM32 内存

根据STM32的存储器映射机制，其32位地址总线可访问4GB逻辑地址空间（0x00000000-0xFFFFFFFF），但实际物理地址分配由芯片厂商定义。以下是STM32完整的地址映射结构及关键区域说明： 一、地址空间整体架构 4GB地址空间划分…...

编程日记 2025/7/6 4:54:36

图片的require问题

问题 <template><img :src"require(/assets/${imageName})" style"width:100px;" /><img :src"require(imageUrl)" style"width:100px;" /> </template><…...

编程日记 2025/6/29 0:23:00

关于 js：8. 反调试与混淆识别

一、常见反调试手段识别 1. debugger 死循环（阻塞调试器） 样例代码： while (true) {debugger; }原理： 每次执行到 debugger 语句，如果 DevTools 打开，将自动触发断点。如果在死循环中，调试…...

编程日记 2025/7/5 10:20:11

深度Q网络（DQN）的基本概念

一、深度Q网络（DQN）的基本概念深度Q网络（Deep Q-Network，DQN）是将强化学习中的Q学习（Q-Learning）与深度学习相结合的算法，由DeepMind在2013年提出，并在2015年发表于《Nature》杂志。它通过神经网络近似动作价值函数（Q函数），解决传统Q学习在高维状态空间下的计算难…...

编程日记 2025/6/29 0:00:27

uniapp+vue3中自动导入ref等依赖

前言： 在我们使用uni-appvue3创建项目，开发的过程中，老是需要导入我们的ref、onshow等，那么能不能自动导入，不用我们每个页面都写呢？是没问题的，这里让他的小帮手来帮你减轻负担：他就…...

编程日记 2025/6/29 1:13:53

合肥SMT贴片加工核心优势与工艺升级

内容概要在电子制造领域，工艺精度与生产效率的平衡始终是企业关注的核心命题。本文将系统呈现合肥SMT贴片加工产业的技术演进图谱，为寻求制造升级的企业提供可落地的决策参考。作为长三角电子制造集群的重要节点，合肥SMT贴片加工产业通过持…...

编程日记 2025/6/29 0:46:26

Ansible安装与核心模块实战指南

Ansible安装与核心模块实战指南自动化运维入门：从安装到模块化任务配置 Ansible作为一款无代理自动化工具，通过模块化设计实现高效管理，尤其适用于快速部署、配置和维护大规模系统。本文将从安装、核心模块使用到实际案例，全面解析其核心功能与最佳实践。一、Ansible安装…...

编程日记 2025/6/29 1:15:24

TDengine 做为 Spark 数据源

简介 Apache Spark 是开源大数据处理引擎，它基于内存计算，可用于批、流处理、机器学习、图计算等多种场景，支持 MapReduce 计算模型及丰富计算操作符、函数等，在大超大规模数据上具有强大的分布式处理计算能力。通过 TDengine …...

编程日记 2025/6/29 0:15:58

Codeforces Round 997 (Div. 2)

A. Shape Perimeter 题目大意给你一个m*m的正方形，再给你n个坐标表示每次在xy移动的距离（第一个坐标是初始位置正方形左下角），问路径图形的周长解题思路记录好第一次的位置之后一直累加最后求总移动距离的差值即可代码实…...

编程日记 2025/6/28 23:02:41

WSL 安装 Debian 12 后，Linux 如何安装 nginx ?

在 WSL 的 Debian 12 中安装 Nginx 的步骤如下： 1. 更新系统软件包 sudo apt update && sudo apt upgrade -y2. 安装 Nginx sudo apt install nginx -y3. 管理 Nginx 服务 ▶ 启动 Nginx sudo service nginx start # 如果使用 systemd 可能需改用&…...

编程日记 2025/6/29 0:12:24

目标检测任务 - 数据增强

目标检测任务 - DETR ： 数据预处理/数据增强算法源码实例 import datasets.transforms as Tnormalize T.Compose([T.ToTensor(),T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])scales [480, 512, 544, 576, 608, 640, 672, 704, 736, 768, 800]…...

编程日记 2025/7/3 21:13:55

java的switch case

import java.util.Scanner;public class Hello {public static void main(String[] args) {Scanner in new Scanner(System.in);int type in.nextInt();switch(type){case 1:case 2:System.out.println("你好");break;case 3:System.out.println("晚上好"…...

编程日记 2025/6/29 1:18:14

基于亚博K210开发板——LCD触摸屏读取坐标数据测试

开发板亚博K210开发板实验目的主要学习 K210 通过 I2C 读取触摸屏的坐标，并打印出来，显示在 LCD上。实验准备实验元件 LCD 显示屏触摸板元件特性 K210 开发板自带 2.0 寸触摸屏，其实是 LCD 显示屏上贴一个触摸板组成&#xf…...

编程日记 2025/6/29 0:56:59

coze平台实现文生视频和图生视频（阿里云版）工作流

工作流全貌开始首先从入参开始： api_key：来自阿里云百炼平台，自行去申请 prompt：生成视频的文本提示词。支持中英文，长度不超过800个字符，每个汉字/字母占一个字符，超过部分会自动截断。 …...

编程日记 2025/6/29 0:21:10

python酒店健身俱乐部管理系统

目录技术栈介绍具体实现截图系统设计研究方法：设计步骤设计流程核心代码部分展示研究方法详细视频演示试验方案论文大纲源码获取/详细视频演示技术栈介绍 Django-SpringBoot-php-Node.js-flask 本课题的研究方法和研究步骤基本合理，难度适中&#xf…...

编程日记 2025/6/29 0:43:43

QtGUI模块功能详细说明，图标和光标（七）

目录一.窗口和屏幕管理二. 绘图和渲染三. 图像处理四. 字体和文本五. 事件和输入处理六. OpenGL 和硬件加速七. 颜色和外观八. 图标和光标 1、QIcon: 图标管理 1.1、QIcon 简介 1.2、图标的来源与创建 1.3、多分辨率与 DPI 支持 1.4、图标的状态管理 2、…...

编程日记 2025/6/29 0:04:28