python - 如何获得发送者开始和结束的索引？

Question

我刚开始使用 spacy。我有一个场景，我必须在句子中获取句子开始和结束的索引。如果我使用文档。发送然后我得到一个发送列表。 sent.beg 和 sent.end 打印 token 索引，但我想要字符索引。

for sent in doc.sents:
    print(sent.start,sent.end)     #prints token index

例子:

completeText = "Hi, I am using StackOverflow. The community is great."
nlp = spacy.load('en_core_web_sm')
nlp.add_pipe(nlp.create_pipe('sentencizer'))
doc = nlp(completeText)
for sent in doc.sents:
    print(sent.start,sent.end)  #prints 0,7 and 7,12 the token indices

上面的打印语句只打印标记索引，不打印字符索引。我想要的输出是 0,29 和 30, 54。

我试过按如下方式获取句子的长度。我在最后添加了一个 if 语句，因为句号后的空格在句子中被忽略了。

start = [0] * len(list(doc.sents))
end = [0] * len(list(doc.sents))
for index, i in enumerate(doc.sents):

    if index !=0:
        start[index] = end[index-1] + 1

    length += len(str(i))

    if index == 0:
         end[index] = length
    else:
        end[index] = length 
    if end[index] + 1 < len(sent) and sent[end[index]+1] == " ":        
        length += 1

当句号后只有空格时，这很有效。但是在我的全文中(超过 10,000 行)我没有得到正确的答案。 spacy 是否会忽略上面提到的包含在发送中的任何其他字符？

有更好的方法吗？

Answer 1

您可以只使用 start_char 和 end_char。

for sent in doc.sents:
    print(sent.start_char,sent.end_char) 

一个句子是 spaCy 中的一个 Span，它带有许多有用的属性，这些属性在 docs 中有介绍。 .