Python PhraseMatcher在尝试标记文档中的多个项目时返回空列表_Python_Nlp_Spacy_Tagging

Python PhraseMatcher在尝试标记文档中的多个项目时返回空列表

python nlp

Python PhraseMatcher在尝试标记文档中的多个项目时返回空列表,python,nlp,spacy,tagging,Python,Nlp,Spacy,Tagging,PhraseMatcher在尝试标记文档中的多个项目时返回空列表。我从csv中的一列传递值来标记文档中的产品名称，但PhraseMatcher只标记带有一个字符串的行。当有多个元素用于标记时，它将返回一个空列表。解决这个问题的办法是什么 import spacy import re import csv from spacy.matcher import PhraseMatcher #Function to convert PhraseMatcher return value to strin

PhraseMatcher在尝试标记文档中的多个项目时返回空列表。我从csv中的一列传递值来标记文档中的产品名称，但PhraseMatcher只标记带有一个字符串的行。当有多个元素用于标记时，它将返回一个空列表。解决这个问题的办法是什么

import spacy
import re
import csv
from spacy.matcher import PhraseMatcher

#Function to convert PhraseMatcher return value to string indexes 
def str_index_conversion(lbl, doc, matchitem):
    o_one = len(str(doc[0:matchitem[1]]))
    subdoc = doc[matchitem[1]:matchitem[2]]
    o_two = o_one + len(str(subdoc))
    return (o_one, o_two, lbl)

#nlp = spacy.blank('en')
nlp = spacy.load('en')

if 'ner' not in nlp.pipe_names:
    ner = nlp.create_pipe('ner')
    nlp.add_pipe(ner)
else:
    ner = nlp.get_pipe('ner')

ner.add_label('PRODUCT')     

DIR = 'C:\\Users\\Lenovo\\.spyder-py3\\smoke\\'
matcher = PhraseMatcher(nlp.vocab)


list_str_index = []
to_train_ents = []
with open('qq1.csv', newline='') as myFile:

    reader = csv.reader(myFile)
    for row in reader:
        try:
            product = row[0].lower()
            filename = row[1]
            #print(product)
            file = open(DIR+filename, "r", encoding ='utf-8')
            filecontents = file.read()
            #print(product)
            for s in filecontents:
                filecontents = re.sub(r'\[[0-9]*\]', ' ', filecontents)
                filecontents = re.sub(r'\s+', ' ', filecontents)
                #filecontents = filecontents.encode().decode('unicode-escape')
                filecontents = ''.join([line.lower() for line in filecontents])                
                print(product.split())
                matcher.add('PRODUCT', None, nlp(product))
                doc = nlp(filecontents)
                matches = matcher(doc)
                        #print(matches)
                list_str_index = [str_index_conversion('PRODUCT', doc, x) for x in matches]
                to_train_ents.append((filecontents, dict(entities=list_str_index)))
                break

        except Exception as e:
            #print(e)
            pass`

当文档中有多个元素要标记时，“to_train_ents”列表返回空列表。要标记的元素以csv的形式提供，如下所示： `示例CSV：

PRODUCT          FILES
ABC              XXXX
ABC2, ABC3, BCA3 XXXX
BC2              XXXX

因此，在第二行的情况下，它返回一个to_train_ents列表中的空列表。在文档中标记此类案例的解决方案是什么

删除TRY和EXCEPT块后：这次我只在csv中保存了产品名称和文件名，它们位于包含标记文件的目录中。但是，当我发送一个产品名称进行标记时，它在文档中有两个名称要标记，它返回一个空列表。示例代码现在：

import spacy
import re
import csv
from spacy.matcher import PhraseMatcher

#Function to convert PhraseMatcher return value to string indexes 
def str_index_conversion(lbl, doc, matchitem):
    o_one = len(str(doc[0:matchitem[1]]))
    subdoc = doc[matchitem[1]:matchitem[2]]
    o_two = o_one + len(str(subdoc))
    return (o_one, o_two, lbl)

#nlp = spacy.blank('en')
nlp = spacy.load('en')

if 'ner' not in nlp.pipe_names:
    ner = nlp.create_pipe('ner')
    nlp.add_pipe(ner)
else:
    ner = nlp.get_pipe('ner')

ner.add_label('PRODUCT')     

DIR = 'C:\\Users\\Lenovo\\.spyder-py3\\sanity\\'
matcher = PhraseMatcher(nlp.vocab)



list_str_index = []
to_train_ents = []
with open('qq2.csv', newline='') as myFile:

    reader = csv.reader(myFile)
    for row in reader:
        product = row[0].lower()
        filename = row[1]
                #print(product)
        file = open(DIR+filename, "r", encoding ='utf-8')
        filecontents = file.read()
                #print(product)
        for s in filecontents:
            filecontents = re.sub(r'\[[0-9]*\]', ' ', filecontents)
            filecontents = re.sub(r'\s+', ' ', filecontents)
                    #filecontents = filecontents.encode().decode('unicode-escape')
            filecontents = ''.join([line.lower() for line in filecontents])                
                    #print(product.split())
                    #product_patterns = [nlp(text) for text in product.split()]
            matcher.add('PRODUCT', None, nlp(product))
            doc = nlp(filecontents)
            matches = matcher(doc)
                            #print(matches)
            list_str_index = [str_index_conversion('PRODUCT', doc, x) for x in matches]
            to_train_ents.append((filecontents, dict(entities=list_str_index)))
            break

您是否能够创建简化的、可复制的示例，仅显示短语匹配器的行为，而不打开文件、字符串转换等。？在尝试之前，我的第一反应是，您的巨大

try

块中有一些错误。除了像这样的之外，裸体的

尝试一下

，通常不是很好的做法。如果try
中的近20行（！）中有一行出错，将触发except
块，列表中不会追加任何内容（因此您将得到一个空列表），您将不知道原因，也不会收到错误消息来帮助您（就像现在的情况）。问题是，将文件名和产品名与标记匹配的csv以及文件所在的目录在数量上不相同。我只是传递目录中的几个文件以进行检查。所以我该如何解决这个问题，因为每当它找不到匹配的文件名时，就会抛出一个错误。这一行matcher.add（'PRODUCT'，None，nlp（PRODUCT））
很好，还是我需要在这里添加另一个for循环？就像我在尝试类似于matcher.add（'PRODUCT'，None，*[nlp.tokenizer（item）for item in PRODUCT]）
的东西一样，我已经删除了try-except块并更新了上面的代码，但仍然无法标记多个名称。您是否能够创建一个简化的、可重复的示例，仅显示短语匹配器的行为，不打开文件、字符串转换等。？在尝试之前，我的第一反应是，您的巨大try
块中有一些错误。除了像这样的
之外，裸体的尝试一下
/，通常不是很好的做法。如果try
中的近20行（！）中有一行出错，将触发except
块，列表中不会追加任何内容（因此您将得到一个空列表），您将不知道原因，也不会收到错误消息来帮助您（就像现在的情况）。问题是，将文件名和产品名与标记匹配的csv以及文件所在的目录在数量上不相同。我只是传递目录中的几个文件以进行检查。所以我该如何解决这个问题，因为每当它找不到匹配的文件名时，就会抛出一个错误。这一行matcher.add（'PRODUCT'，None，nlp（PRODUCT））
很好，还是我需要在这里添加另一个for循环？就像我在尝试类似matcher.add（'PRODUCT'，None，*[nlp.tokenizer（item）for item in PRODUCT]）
的东西一样，我已经删除了try-except块并更新了上面的代码，但它仍然无法标记多个名称