spacy 中的深度复制 PhraseMatcher 对象不起作用

Question

我想运行一些多处理模块来并行运行文档上的一些短语匹配。为此，我想在一个进程中创建短语匹配对象，然后通过创建 PhraseMatcher 对象的副本在多个进程之间共享。代码似乎失败了，没有给出任何错误。为了让事情变得更容易，我尝试了这个来展示我想要实现的目标

import copy
import spacy
from spacy.matcher import PhraseMatcher


nlp = spacy.load('en')
color_patterns = [nlp(text) for text in ('red', 'green', 'yellow')]
product_patterns = [nlp(text) for text in ('boots', 'coats', 'bag')]
material_patterns = [nlp(text) for text in ('silk', 'yellow fabric')]

matcher = PhraseMatcher(nlp.vocab)
matcher.add('COLOR', None, *color_patterns)
matcher.add('PRODUCT', None, *product_patterns)
matcher.add('MATERIAL', None, *material_patterns)


matcher2 = copy.deepcopy(matcher)

doc = nlp("yellow fabric")
matches = matcher2(doc)
for match_id, start, end in matches:
    rule_id = nlp.vocab.strings[match_id]  # get the unicode ID, i.e. 'COLOR'
    span = doc[start : end]  # get the matched slice of the doc
    print(rule_id, span.text)

使用matcher2 对象它不提供任何输出，但使用matcher 对象我能够得到结果。

COLOR yellow
MATERIAL yellow fabric

我被困在这几天了。任何帮助将不胜感激。

谢谢。

Answer 1

问题的根源在于 PhraseMatcher 是 Cython 类，在文件 matcher.pyx 中定义和实现，而 Cython 不能与 deepcopy 一起正常工作。

引用自this StackOverflow 问题的接受答案：

Cython 不喜欢对具有函数/方法引用变量的类进行深度复制。这些变量副本将失败。

但是，还有其他选择。如果你想并行运行 PhraseMatcher 到多个文档，你可以使用多线程和 PhraseMatcher 的管道方法。

解决您的问题的可能方法：

import copy
import spacy
from spacy.matcher import PhraseMatcher


nlp = spacy.load('en_core_web_sm')
color_patterns = [nlp(text) for text in ('red', 'green', 'yellow')]
product_patterns = [nlp(text) for text in ('boots', 'coats', 'bag')]
material_patterns = [nlp(text) for text in ('silk', 'yellow fabric')]

matcher = PhraseMatcher(nlp.vocab)
matcher.add('COLOR', None, *color_patterns)
matcher.add('PRODUCT', None, *product_patterns)
matcher.add('MATERIAL', None, *material_patterns)

doc1 = nlp('yellow fabric')
doc2 = nlp('red lipstick and big black boots')

for doc in matcher.pipe([doc1, doc2], n_threads=4):
    matches = matcher(doc)
    for match_id, start, end in matches:
        rule_id = nlp.vocab.strings[match_id]
        span = doc[start : end]
        print(rule_id, span.text)

希望对你有帮助！