tl;博士回答
只需在以下位置展开列表：
更长的答案
自从我第一次提出这个问题以来，文档有了很大的改进，而 spaCy 现在记录得更好了。
词性标签
pos 和 tag 属性列表在https://spacy.io/api/annotation#pos-tagging，并描述了这些值列表的来源。在本次（2020 年 1 月）编辑时，文档说 pos 属性：
spaCy 将所有特定于语言的词性标签映射到Universal Dependencies scheme 之后的一组固定的小词类型标签。通用标签不针对任何形态特征进行编码，仅涵盖单词类型。它们以 Token.pos 和 Token.pos_ 属性的形式提供。
至于tag 属性，文档说：
英语词性标注器使用 Penn Treebank 标记集的OntoNotes 5 版本。我们还将标签映射到更简单的 Universal Dependencies v2 POS 标签集。
和
德语词性标注器使用TIGER Treebank 注释方案。我们还将标签映射到更简单的 Universal Dependencies v2 POS 标签集。
因此，您可以选择使用跨语言一致的粗粒度标签集 (.pos) 或特定于特定树库的细粒度标签集 (.tag)，因此特定的语言。
.pos_标签列表
文档列出了以下用于 pos 和 pos_ 属性的粗粒度标签：
-
ADJ：形容词，例如大、旧、绿色、难以理解、首先
-
ADP：附加，例如在，到，期间
-
ADV：副词，例如非常，明天，下来，哪里，那里
-
AUX：辅助，例如是，已经（完成），将（做），应该（做）
-
CONJ：连词，例如和，或者，但是
-
CCONJ：协调连词，例如和，或者，但是
-
DET：确定者，例如一个，一个，那个
-
INTJ：感叹词，例如psst，哎哟，好极了，你好
-
NOUN: 名词，例如女孩, 猫, 树, 空气, 美女
-
NUM：数字，例如2017 年 1 月 1 日、77 日、IV、MMXIV
-
PART：粒子，例如的，不是，
-
PRON: 代词，例如我、你、他、她、我自己、他们自己、某人
-
PROPN：专有名词，例如玛丽、约翰、伦敦、北约、HBO
-
PUNCT：标点符号，例如., (, ), ?
-
SCONJ：从属连词，例如如果，而，那
-
SYM：符号，例如$、%、§、©、+、-、×、÷、=、:)、?
-
VERB：动词，例如跑，跑，跑，吃，吃，吃
-
X：其他，例如sfpksdpsxmsa
-
SPACE：空格，例如
请注意，当他们说这个列表遵循通用依赖方案时，文档有点撒谎；上面列出的两个标签不属于该方案。
其中一个是 CONJ，它曾经存在于通用 POS 标签方案中，但自从 spaCy 首次编写以来，它已被拆分为 CCONJ 和 SCONJ。根据文档中 tag->pos 的映射，看起来 spaCy 的当前模型实际上并没有使用CONJ，但由于某种原因它仍然存在于 spaCy 的代码和文档中 - 可能与旧模型向后兼容。
第二个是SPACE，它不是通用 POS 标签方案的一部分（据我所知，从来没有），除了单个普通 ASCII 空格（它不' t 获得自己的令牌）：
>>> document = en_nlp("This\nsentence\thas some weird spaces in\n\n\n\n\t\t it.")
>>> for token in document:
... print('%r (%s)' % (str(token), token.pos_))
...
'This' (DET)
'\n' (SPACE)
'sentence' (NOUN)
'\t' (SPACE)
'has' (VERB)
' ' (SPACE)
'some' (DET)
'weird' (ADJ)
'spaces' (NOUN)
'in' (ADP)
'\n\n\n\n\t\t ' (SPACE)
'it' (PRON)
'.' (PUNCT)
我将从这个答案中省略 .tag_ 标签的完整列表（更细粒度的标签），因为它们数量众多，现在有据可查，英语和德语不同，并且可能更可能在发布。相反，请查看文档中的列表（例如，英语为 https://spacy.io/api/annotation#pos-en），其中列出了每个可能的标签、它映射到的 .pos_ 值以及它的含义描述。
依赖标记
现在有 三种 spaCy 用于依赖标记的不同方案：one for English、one for German 和 one for everything else。再一次，值列表是巨大的，我不会在这里完整地复制它。每个依赖项旁边都有一个简短的定义，但不幸的是，它们中的许多——比如“同位修饰符”或“从句补语”——对于像我这样的日常程序员来说是相当陌生的艺术术语。如果您不是语言学家，则只需研究这些艺术术语的含义即可理解它们。
不过，我至少可以为使用英文文本的人提供该研究的起点。如果您想在真实句子中查看 CLEAR 依赖项（由英语模型使用）的一些示例，请查看 Jinho D. Choi 的 2012 年工作：他的Optimization of Natural Language Processing Components for Robustness and Scalability 或他的@ 987654334@（这似乎只是前一篇论文的一个小节）。两者都列出了 2012 年存在的所有 CLEAR 依赖标签以及定义和例句。 （不幸的是，自 2012 年以来，CLEAR 依赖标签集发生了一些变化，因此 Choi 的作品中没有列出或举例说明一些现代标签 - 但尽管有些过时，但它仍然是一个有用的资源。）