使用 Spacy 检测动态模式并提取变量

Question

我如何使用 spacy 来检测如下模式：

mygov-24.mygov.ca - last updated: 06/05/21

我想检测以下模式：

• mygov-24.mygov.ca - 最后更新时间：06/05/21
• mygov-24.mygov.ca - 最后更新时间：02/04/21
• mygov-24.mygov.ca - 最后更新时间：01/02/21
• ....

您可以看到日期发生了变化，但一切都保持不变。如何使用 spacy 创建一个模式匹配器，它告诉输入字符串是否具有相同的模式？另外，如果检测到模式，我想提取日期。 Spacy 可以做到吗？

我通过了，https://spacy.io/usage/rule-based-matching，但不知道从哪里开始。

编辑 给定上面的一组动态短语，有没有办法识别短语中的变量？

Answer 1

您可以使用匹配器检测它们，使用类似的代码

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

pattern = [{'ORTH': 'mygov-24.mygov.ca'}, {'ORTH':'-'}, {'ORTH':'last'}, {'ORTH':'updated'}, {'ORTH':':'}, 
           {'ORTH': {'REGEX':r'^\d{1,2}/\d{1,2}/\d{2}(?:\d{2})?$'}}];
matcher.add("last_updated", [pattern])

text = r'It was here, mygov-24.mygov.ca - last updated: 06/05/21. Next: mygov-24.mygov.ca - last updated: 02/04/21. And one more: mygov-24.mygov.ca - last updated: 01/02/21'
doc = nlp(text)

matches = matcher(doc)

matches = matcher(doc, as_spans=True)
for span in matches:
    print(span.text)

输出：

mygov-24.mygov.ca - last updated: 06/05/21
mygov-24.mygov.ca - last updated: 02/04/21
mygov-24.mygov.ca - last updated: 01/02/21

^\d{1,2}/\d{1,2}/\d{2}(?:\d{2})?$ 正则表达式匹配一个标记

• ^ - 以
开头
• \d{1,2} - 一位或两位数
• / - 然后有一个/
• \d{1,2}/ - 然后有一个或两个数字和/
• \d{2} - 两位数
• (?:\d{2})? - 额外可选两位数
• $ - 令牌结束。