Carga de un modelo y procesamiento de un Doc
Procesar texto con nlp() en una sola llamada
Carga de un modelo y procesamiento de un Doc es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Install First
Before you load anything, you download a model once. The en_core_web_sm model is small, fast, and perfect for getting started.
python -m spacy download en_core_web_smLoad the Model
You bring spaCy to life with spacy.load. It reads the model from disk and hands you an nlp object ready to process text.
import spacy
nlp = spacy.load("en_core_web_sm")What nlp Is
That nlp object is your whole pipeline wrapped up. Calling it on text runs every stage: tokenizer, tagger, parser, and entity recognizer.
Process Some Text
To analyze a sentence, just call nlp() on a string. The result is a Doc, a rich container holding all the analysis.
doc = nlp("Apple is hiring in Berlin.")One Call Does It All
That single call already ran tokenizing, tagging, and parsing. The Doc now carries every result, so you never repeat the work.
Loop Over Tokens
A Doc behaves like a sequence, so you can loop through it. Each item you get back is a Token with its own attributes.
for token in doc:
print(token.text)Read Token Text
The raw word lives in token.text. It is exactly the surface string spaCy found while splitting your sentence.
Load Once, Reuse
Loading a model is slow, so do it once at startup. Then reuse the same nlp object for every document you process.
Process Many Docs
For lots of texts, use nlp.pipe. It batches them efficiently and is far faster than calling nlp() in a plain loop.
for doc in nlp.pipe(texts):
print(len(doc))Disable for Speed
Need only tokens? You can disable unused components when loading to skip work and run even faster.
nlp = spacy.load("en_core_web_sm", disable=["parser"])Blank Pipelines
You can also start from spacy.blank for a tokenizer-only pipeline. It is handy when you want to build everything yourself.
nlp = spacy.blank("en")Quick Check
What do you get back from calling nlp() on a string?
Recap
You install a model, load it once with spacy.load, then call nlp() to get a Doc. One call runs the whole pipeline and you reuse it everywhere. 🎯
Preguntas frecuentes
¿La lección «Carga de un modelo y procesamiento de un Doc» es gratis?
Sí — el texto completo de «Carga de un modelo y procesamiento de un Doc» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Carga de un modelo y procesamiento de un Doc»?
Procesar texto con nlp() en una sola llamada Practicas NLP Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar NLP Academy?
No se requiere experiencia previa. NLP Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Carga de un modelo y procesamiento de un Doc»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de NLP Academy?
Sí. Cada lección de NLP Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué usar spaCy en proyectos reales
- Carga de un modelo y procesamiento de un Doc
- Objetos Token, Span y Doc
- Personalización de la canalización