Пространство, идентифицирующее пробелы как сущности

Question

Я только начинаю работать со Spacy и написал текст, чтобы проверить, как он работает с PDF, который я распечатал с AntFileConverter.

TXT-файл (пример ниже - будет прикреплен, но не знаю, как) выглядит нормально, находится в UTF-8. Однако, когда я вывожу файл в формате CONLL, по некоторым причинам возникают различные очевидные пробелы, в которых нет оригинального слова, но, похоже, они были идентифицированы. Это происходит как в конце, так и внутри предложений.

"виды во многих водах северного полушария. В большинстве стран региона щука имеет как коммерческую, так и рекреационную ценность (Crossman & Casselman 1987; Raat 1988). Щука - типичный сидячий и хищный хищник, который обычно охотится на добычу, устраивая засаду (Webb & Skadsen 1980)."

Вывод нас как таковой:

        GPE 24  
26  species specie  NNS     20  attr
27  in  in  IN      26  prep
28  many    many    JJ      29  amod
29  waters  water   NNS     27  pobj
30  in  in  IN      29  prep
31  the the DT      33  det
32  northern    northern    JJ      33  amod
33  hemisphere  hemisphere  NN      30  pobj
34  .   .   .       20  punct
1   In  in  IN      9   prep
2   

        GPE 1   
3   most    most    JJS     4   amod
4   countries   country NNS     9   nsubj
5   in  in  IN      4   prep
6   the the DT      8   det
7   region  region  NN      8   compound
8   pike    pike    NN      5   pobj
9   has have    VBZ     0   ROOT
10  both    both    DT      11  preconj
11  commercial  commercial  JJ      9   dobj
12  

        GPE 11  
13  and and CC      11  cc
14  recreational    recreational    JJ      15  amod
15  value   value   NN      11  conj
16  (   (   -LRB-       15  punct
17  Crossman    crossman    NNP ORG 15  appos
18  &   &   CC  ORG 17  cc
19  Casselman   casselman   NNP ORG 17  conj
20  1987    1987    CD  DATE    17  nummod
21  ;   ;   :       15  punct
22  

        GPE 21  
23  Raat    raat    NNP     15  appos
24  1988    1988    CD  DATE    23  nummod
25  )   )   -RRB-       15  punct
26  .   .   .       9   punct
1   Pike    pike    NNP     2   nsubj
2   is  be  VBZ     0   ROOT
3   a   a   DT      10  det
4   typical typical JJ      10  amod
5   sit sit NN      10  nmod
6   -   -   HYPH        5   punct
7   and and CC      5   cc
8   -   -   HYPH        9   punct
9   wait    wait    VB      5   conj
10  predator    predator    NN      2   attr
11  

        GPE 10  
12  which   which   WDT     14  nsubj
13  usually usually RB      14  advmod
14  hunts   hunt    VBZ     10  relcl
15  prey    prey    NN      14  dobj
16  by  by  IN      14  prep
17  ambushing   ambush  VBG     16  pcomp
18  (   (   -LRB-       17  punct
19  Webb    webb    NNP     17  conj
20  &   &   CC      19  cc
21  

Я также пробовал без распечатки NER, но эти пробелы продолжают отмечаться. Я подумал, что это может быть связано с переносом строк, поэтому я также попробовал использовать EOL в стиле Linux, но это не имело никакого значения.

Это код, который я использую:

import spacy
import en_core_web_sm
nlp_en = en_core_web_sm.load()
input = open('./input/55_linux.txt', 'r').read()
doc = nlp_en(input)
for sent in doc.sents:
        for i, word in enumerate(sent):
              if word.head == word:
                 head_idx = 0
              else:
                 head_idx = word.head.i - sent[0].i + 1
              output = open('CONLL_output.txt', 'a')
              output.write("%d\t%s\t%s\t%s\t%s\t%s\t%s\n"%(
                 i+1, # There's a word.i attr that's position in *doc*
                  word,
                  word.lemma_,
                  word.tag_, # Fine-grained tag
                  word.ent_type_,
                  str(head_idx),
                  word.dep_ # Relation
                 ))

У кого-нибудь еще возникла такая проблема? Если так, знаете ли вы, как я могу это решить?

Answer 1

Это известная ошибка в spaCy.

Пока это не исправлено, вам придется выполнить некоторую постобработку, чтобы избавиться от этих "пустых" сущностей. К счастью, это достаточно просто, этот фрагмент, размещенный автором библиотеки, показывает, как:

def remove_whitespace_entities(doc):
    doc.ents = [e for e in doc.ents if not e.text.isspace()]
    return doc

nlp_en.add_pipe(remove_whitespace_entities, after='ner')

Итак, вы сначала определяете канал пост-обработки, который фильтрует все сущности с text состоящий исключительно из пробельных символов (используя isspace()).

Затем вы добавляете этот канал в конвейер NLP, настроенный на запуск после NER. Тогда каждый раз, когда вы используете nlp_en после этого он не вернет эти объекты.