Spacy Matcher 用于西班牙语文本的地址识别

Question

我想捕获（西班牙语）法律文档中的地址，例如：

import spacy
from spacy.matcher import Matcher
nlp=spacy.load("es_core_news_lg")

texto = "... domiciliado en calle 160 Nº 765 piso 2 dpto A, La Plata, don Ricardo Fabián ROSENFELD, Documento Nacional de Identidad 14.464.003 con domicilio legal en calle Belfast Nº 1435 Tandil, para que, ... "

doc = nlp(texto)

所以输出应该类似于：

['160 Nº 765 piso 2 dpto A, La Plata', 'ortigaz Nº 1435 Tandil']

我认为匹配器应该使用以下事实：相关信息在“calle”一词之后开始，并以该名称结束被识别的城市：

gpe = [ee.text for ee in doc.ents if ee.label_ == 'LOC']
gpe

['La Plata', 'Belfast Nº', 'Tandil']

我认为该算法应该类似于：

1. 查找单词“calle”
2. 在 gpe 列表中取尽可能远离“calle”但在下一次出现“calle”之前的名称。
3. 获取这两个单词之间的所有文本。

我的问题是我不知道如何定义这样的匹配器。

更新： 我用以下函数解决它，

def domicilios(documento:str)->str:
    """
    Funcion que identifica las direcciones para cada persona
    """
    domicilios = []
    for texto in documento.split('calle')[1:]:
        doc = nlp(texto)
        gpe = [ee.text for ee in doc.ents if ee.label_ == 'LOC']
        ciudad = gpe[-1]
        domicilios.append([texto[:texto.find(ciudad)], ciudad])
    return domicilios

domicilios(documento)

无论如何我仍然认为这应该是专门用 spacy 解决它的方法。

Answer 1

首先，创建一个匹配器和文档对象：

import spacy
from spacy.matcher import Matcher
nlp=spacy.load("es_core_news_lg")

texto = "... domiciliado en calle 160 Nº 765 piso 2 dpto A, La Plata, don Ricardo Fabián ROSENFELD, Documento Nacional de Identidad 14.464.003 con domicilio legal en calle Belfast Nº 1435 Tandil, para que, ... "
doc = nlp(texto)
gpe = [ee.text for ee in doc.ents if ee.label_ == 'LOC']

接下来，您需要一个用于停止匹配器的触发器列表（GPE 的最后一个单词，可能是多个单词），因为 Matcher 对象仅查看单个单词：

gpe_ends = [loc.split()[-1] for loc in gpe]

现在，您可以创建一个遵循您的算法的匹配器：

pattern = [{"LOWER" : "calle"},
           {"TEXT"  : {"NOT_IN":["calle"]},"OP": "*"},
           {"TEXT"  : {"IN"    : loc_ends}}]

"OP":"*" 使匹配器在停在 GPE 的某个位置之前（尽可能）贪婪地搜索（但不允许“calle”） 。其余部分来自 SpaCy 文档。

m = Matcher(nlp.vocab)
m.add("address", [pattern])
matches = m(doc)
for match_id, start, end in matches:
    string_id = nlp.vocab.strings[match_id]  # Get string representation
    span = doc[start:end]  # The matched span
    print(match_id, string_id, start, end, span.text)