Python 将空白空间标识为实体的空间

我刚刚开始使用Spacy，并通过一个文本来测试它是如何使用AntFileConverter处理pdf的

txt文件（下面的示例-将附加，但不确定如何附加）看起来很好，是UTF-8格式的。但是，当我以CONLL格式输出文件时，由于某种原因，存在各种明显的间隙，这些间隙没有原始单词，但似乎已被识别。这发生在句末和句内

北半球许多水域的物种。在 该地区的大多数国家派克既有商业用途，也有商业用途 和娱乐价值（Crossman&Casselman 1987； 派克是一种典型的坐等捕食者 通常通过伏击捕猎猎物（韦伯& 斯卡森1980年）

输出结果如下所示：

        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  

我也尝试了不打印NER，但这些间隙仍然被标记。我认为这可能与换行有关，所以我也尝试了Linux风格的EOL，但没有任何区别

这是我正在使用的代码：

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
                 ))

还有其他人有这个问题吗？如果是的话，你知道我怎么解决吗

这是一个空白

在修复之前，您必须进行一些后处理以除去那些“空白”实体。幸运的是，这很简单，库的管理员发布的这段代码片段展示了如何：

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')

因此，首先定义一个后处理管道，该管道过滤所有实体，其中

文本

仅由空白字符组成（使用）

然后将此管道添加到NLP管道，设置为在NER之后运行。然后，在此之后，无论何时使用

nlp_en

，它都不会返回这些实体