Extracción de entidades con spaCy

spaCy incluye un componente NER entrenado que encuentra las entidades por usted. Solo tiene que proporcionarle texto y leer los spans etiquetados que devuelve. 🐍

Primero, cargue un pipeline que incluya NER. El modelo pequeño de inglés en_core_web_sm es un punto de partida rápido y sencillo.

Pase una cadena al pipeline para obtener un objeto Doc. El Doc contiene los tokens, las oraciones y las entidades encontradas por spaCy.

Cada Doc expone doc.ents, una tupla de entidades detectadas. Recórrala para inspeccionar cada una individualmente.

Cada entidad tiene un atributo .text que contiene las palabras exactas que coincidieron. Es el span original extraído de su oración.

Use .label_ (con el guion bajo final) para obtener una cadena de etiqueta legible como PERSON, ORG o GPE.

Un pequeño bucle imprime tanto el text and label de cada entidad y convierte una oración en datos estructurados y limpios.

Las entidades también exponen start_char and end_char, los desplazamientos dentro de la cadena original. Resultan útiles para resaltar coincidencias más adelante.

¿Ha olvidado qué significa GPE? Llame a spacy.explain para obtener una descripción en inglés sencillo de cualquier etiqueta de entidad.

Cada entidad es un Span, un segmento del Doc. Por tanto, se comporta como un minidocumento que puede inspeccionar token por token.

Una comprensión rápida reúne todas las entidades en una list of tuples, lista para guardarla, contar sus elementos o incorporarla a un informe.

Cargue un modelo, ejecute nlp() sobre el texto y recorra doc.ents leyendo .text y .label_. Eso es lo esencial de NER en spaCy. ✅