使用spaCy为URL定制标签和词条

Question

考虑一下这句话

msg = 'I got this URL /sf/ask/3334590381/?noredirect=1#comment82268544_47637293 freed'

接下来，我使用现成spaCy的英语处理句子：

import spacy
nlp = spacy.load('en')
doc = nlp(msg)

让我们回顾一下以下输出[(t, t.lemma_, t.pos_, t.tag_, t.dep_) for t in doc]：

[(I, '-PRON-', 'PRON', 'PRP', 'nsubj'),
 (got, 'get', 'VERB', 'VBD', 'ROOT'),
 (this, 'this', 'DET', 'DT', 'det'),
 (URL, 'url', 'NOUN', 'NN', 'compound'),
 (/sf/ask/3334590381/?noredirect=1#comment82268544_47637293,
  '/sf/ask/3334590381/?noredirect=1#comment82268544_47637293',
  'NOUN',
  'NN',
  'nsubj'),
 (freed, 'free', 'VERB', 'VBN', 'ccomp')]

我想改善URL片段的处理。我尤其要：

1. 设置lemma为stackoverflow.com
2. 设置tag为URL

如何使用spaCy？我想用一个正则表达式（如建议在这里）来决定一个字符串是否是URL或不并获得域名。到目前为止，我仍未找到解决方法。

编辑我想我需要一个自定义组件。但是，似乎没有办法将基于正则表达式（或任何其他）的可调用方式放置为patterns。

Answer 1

URL的自定义正则表达式

您可以使用自定义的令牌生成器来指定URL正则表达式，例如从https://spacy.io/usage/linguistic-features#native-tokenizers

import regex as re
from spacy.tokenizer import Tokenizer

prefix_re = re.compile(r'''^[\[\("']''')
suffix_re = re.compile(r'''[\]\)"']$''')
infix_re = re.compile(r'''[-~]''')
simple_url_re = re.compile(r'''^https?://''')

def custom_tokenizer(nlp):
    return Tokenizer(nlp.vocab, prefix_search=prefix_re.search,
                                suffix_search=suffix_re.search,
                                infix_finditer=infix_re.finditer,
                                token_match=simple_url_re.match)

nlp = spacy.load('en')
nlp.tokenizer = custom_tokenizer(nlp)

msg = 'I got this URL /sf/ask/3334590381/?noredirect=1#comment82268544_47637293 freed'

for i, token in enumerate(nlp(msg)):
    print(i, ':\t', token)

[出]：

0 :  I
1 :  got
2 :  this
3 :  URL
4 :  /sf/ask/3334590381/?noredirect=1#comment82268544_47637293
5 :  freed

检查令牌是否为URL

您可以检查令牌是否类似于URL，例如

for i, token in enumerate(nlp(msg)):
    print(token.like_url, ':\t', token.lemma_)

[出]：

False :  -PRON-
False :  get
False :  this
False :  url
True :   /sf/ask/3334590381/?noredirect=1#comment82268544_47637293
False :  free

如果LIKE_URL，请更改标签

doc = nlp(msg)

for i, token in enumerate(doc):
    if token.like_url:
        token.tag_ = 'URL'

print([token.tag_ for token in doc])

[出]：

['PRP', 'VBD', 'DT', 'NN', 'URL', 'VBN']

用自定义引理替换URL引理

使用正则表达式https://regex101.com/r/KfjQ1G/1：

doc = nlp(msg)

for i, token in enumerate(doc):
    if re.match(r'(?:http[s]:\/\/)stackoverflow.com.*', token.lemma_):
        token.lemma_ = 'stackoverflow.com'

print([token.lemma_ for token in doc])

[出]：

['-PRON-', 'get', 'this', 'url', 'stackoverflow.com', 'free']