入门
基于 spaCy 官方文档（spacy.io/usage + Linguistic Features + Pipelines）编写，对照 spaCy 3.8.x 当前行为
速查
- 安装：
pip install -U spacy（GPU 加速可选spacy[cuda-autodetect]，Transformer 用spacy[transformers]） - 加载模型：
nlp = spacy.load("en_core_web_sm")，模型本身是 Python 包，python -m spacy download en_core_web_sm - 核心调用：
doc = nlp(text)一次跑完整管线，得到带全套标注的Doc - 三层对象：
Doc（整篇）→Span（连续切片，如实体）→Token（单个词） - 属性后缀规则：
token.pos是 hash、token.pos_是可读字符串（「NOUN」），凡是可读都用下划线 - 默认管线：tokenizer（不可替换）→ tagger → morphologizer → parser → lemmatizer → ner
- 访问标注：
token.pos_（词性）/token.dep_（依存关系）/token.lemma_（词元）/doc.ents（实体列表） - 规则匹配：
Matcher用 token 模式（LOWER/POS/IS_DIGIT/OP），PhraseMatcher用Doc列表匹配大词表 - 英文模型：
en_core_web_sm/md/lg（统计）+en_core_web_trf（Transformer），中文zh_core_web_sm/md/trf - 禁用组件提速：
nlp = spacy.load(..., disable=["ner"])或nlp.select_pipes(disable=[...])临时禁用 - 批量处理：
docs = list(nlp.pipe(texts))比循环nlp(text)快得多（支持n_process多进程） - 当前版本：spaCy 3.8.x（CPython 3.7+，Linux/macOS/Windows）
安装
bash
# ① 安装库本身
pip install -U spacy
# ② 下载训练好的语言模型（模型是独立的 Python 包）
python -m spacy download en_core_web_sm # 英文小模型（~12MB）
python -m spacy download en_core_web_lg # 英文大模型（含词向量）
python -m spacy download zh_core_web_sm # 中文小模型GPU 加速与 Transformer 可选装：
bash
pip install "spacy[cuda-autodetect]" # CUDA 加速（统计模型受益）
pip install "spacy[transformers]" # 接入 Transformer 管线（en_core_web_trf）python
import spacy
print(spacy.__version__) # 如 3.8.x第一个例子：处理一段文本
最小可用流程——加载模型、处理文本、遍历标注：
python
import spacy
nlp = spacy.load("en_core_web_sm")
doc = nlp("Apple is looking at buying a U.K. startup for $1 billion.")
# ① 词性 + 词形还原
for token in doc:
print(token.text, token.lemma_, token.pos_, token.dep_)
# Apple Apple PROPN nsubj
# is be AUX aux
# ...
# ② 命名实体
for ent in doc.ents:
print(ent.text, ent.label_)
# Apple ORG
# U.K. GPE
# $1 billion MONEY铁律：
nlp(text)是入口，返回的Doc已经带好全套标注。不要自己分词再喂给 spaCy——tokenizer 是管线的固定第一步。
三层核心对象：Doc / Span / Token
python
doc = nlp("I like red apples")
# Token：单个词，最细粒度
token = doc[3] # apples
token.text # 'apples'
token.lemma_ # 'apple'
token.pos_ # 'NOUN'
# Span：连续的 token 切片（实体、名词短语都是 Span）
span = doc[2:4] # "red apples"（左闭右开，和 Python 切片一致）
span.text # 'red apples'
# Doc：整篇文档，token 序列容器
len(doc) # 4（token 数）
doc.text # 原始字符串
doc.ents # 实体列表（每个是 Span）属性后缀规则（关键）
spaCy 把字符串编码成 hash 存储以省内存。取值规则：
| 写法 | 返回 | 示例 |
|---|---|---|
token.pos | hash（int） | 95 |
token.pos_ | 可读字符串 | 'NOUN' |
token.dep | hash | 429 |
token.dep_ | 可读字符串 | 'nsubj' |
token.lemma | hash | ... |
token.lemma_ | 可读字符串 | 'apple' |
铁律：凡是要给人看的可读值，末尾加下划线。忘加下划线拿到的是一串 hash 整数，是新手第一坑。
处理管线（Pipeline）
nlp(text) 实际做的事：先 tokenize 生成 Doc，再让 Doc 依次流过每个管线组件，每个组件读 Doc、写标注、返回 Doc。
python
nlp = spacy.load("en_core_web_sm")
print(nlp.pipe_names)
# ['tok2vec', 'tagger', 'parser', 'ner', 'attribute_ruler', 'lemmatizer']注意 tokenizer 不在 pipe_names 里——它是管线的固定第一步，不可替换。
查看与控制管线
python
# 查看管线组件名
nlp.pipe_names # 当前组件列表
# 禁用组件（加载时排除，提速）
nlp = spacy.load("en_core_web_sm", disable=["ner"])
# 临时禁用（用完恢复）
with nlp.select_pipes(disable=["parser", "ner"]):
doc = nlp(text) # 这次只跑 tagger + lemmatizer
# 添加自定义组件
nlp.add_pipe("my_component", last=True)词性标注与依存句法
python
doc = nlp("Autonomous cars shift insurance liability toward manufacturers")
# 词性（POS）：token.pos_ 是通用词性（NOUN/VERB/ADJ...）
for token in doc:
print(f"{token.text:<15} {token.pos_:<8} {token.dep_:<12} head={token.head.text}")
# 依存（dependency）：token.dep_ 是依存关系（nsubj/dobj/prep...），token.head 是支配词依存树可视化（jupyter 内）：
python
from spacy import displacy
displacy.render(doc, style="dep", options={"compact": True})命名实体识别（NER）
python
doc = nlp("San Francisco considers banning sidewalk delivery robots")
for ent in doc.ents:
print(ent.text, ent.start, ent.end, ent.label_)
# San Francisco 0 2 GPE
# 实体类型可读化
spacy.explain("GPE") # 'Countries, cities, states'常见英文实体类型：PERSON（人名）/ ORG（机构）/ GPE（地缘政治实体：国家/城市/州）/ DATE（日期）/ MONEY（金额）/ PRODUCT（产品）。
词形还原（Lemmatizer）
python
doc = nlp("I was reading the papers")
for token in doc:
print(token.text, token.lemma_)
# I I
# was be
# reading read
# papers paperlemmatizer 用规则 + 字典查表，比 NLTK 的 WordNetLemmatizer 更依赖管线上下文（POS 标注）。
规则匹配：Matcher 与 PhraseMatcher
Matcher：基于 token 属性的模式
python
from spacy.matcher import Matcher
nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)
# 模式：每个 dict 描述一个 token
pattern = [{"LOWER": "hello"}, {"IS_PUNCT": True, "OP": "?"}, {"LOWER": "world"}]
matcher.add("HelloWorld", [pattern])
doc = nlp("Hello, world! Hello world.")
matches = matcher(doc)
for match_id, start, end in matches:
print(doc[start:end].text)常用 token 属性键（大写）：LOWER（小写文本）/ TEXT（原文本）/ POS（词性）/ IS_DIGIT（是否数字）/ IS_PUNCT（是否标点）/ ENT_TYPE（实体类型）/ OP（量词 ?/+/*/!）。
PhraseMatcher：匹配大术语表
python
from spacy.matcher import PhraseMatcher
matcher = PhraseMatcher(nlp.vocab, attr="LOWER")
patterns = [nlp.make_doc("Apple"), nlp.make_doc("Google")] # 用 make_doc 省 pipeline
matcher.add("TECH", patterns)
doc = nlp("I prefer apple over GOOGLE")
matches = matcher(doc) # 匹配到 "apple" 和 "GOOGLE"（attr=LOWER 忽略大小写）铁律：PhraseMatcher 的模式用
nlp.make_doc(text)生成（只 tokenize 不跑全管线），不要用nlp(text)，否则慢几十倍。
批量处理
python
texts = ["First document.", "Second document.", ...]
# 推荐：nlp.pipe 一次批处理，比 [nlp(t) for t in texts] 快得多
docs = list(nlp.pipe(texts, batch_size=100, n_process=4)) # n_process 多进程下一步
- 入门后请读 指南：自定义管线组件、spacy-transformers 集成、训练自定义 NER、Matcher 模式进阶、displacy 可视化
- 推理跑通后看 参考：管线组件速查、Token/Doc 全属性表、语言模型对照、与 NLTK 对比
- 想做领域实体识别，参考 spacy train 训练流程与 Prodigy 标注工具