spaCy 是 Python 生态中最主流、最适合生产环境的工业级 NLP 库，主打速度快、API简洁、开箱即用，支持分词、词性标注、NER、依存句法、词向量等全套 NLP 能力。
一、核心特点
- 速度极快：底层 Cython 优化，处理效率远超 NLTK。
- 开箱即用：内置 70+ 语言预训练模型（含中文），无需从零训练。
- 统一 API ：
Doc/Token/Span封装所有结果，便于后续处理。 - 可扩展：支持自定义组件、与 PyTorch/TensorFlow/LLM 集成。
- 可视化 ：内置
displacy做句法/实体可视化。
二、安装与模型下载（Python 3.7+）
1. 安装 spaCy
bash
# 基础安装
pip install spacy
# 安装可视化工具（可选）
pip install spacy[displacy]
# 国内镜像加速
pip install spacy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip show spacy
Name: spacy
Version: 3.8.13
Summary: Industrial-strength Natural Language Processing (NLP) in Python
Home-page: https://spacy.io
Author: Explosion
Author-email: contact@explosion.ai
License: MIT
Location: D:\Python311\Lib\site-packages
Requires: catalogue, confection, cymem, jinja2, murmurhash, numpy, packaging, preshed, pydantic, requests, setuptools, spacy-legacy, spacy-loggers, srsly, thinc, tqdm, typer, wasabi, weasel
Required-by: fastai2. 下载预训练模型
bash
# 英文轻量模型（推荐入门）
python -m spacy download en_core_web_sm
# 中文轻量模型（支持分词、NER、词性）
python -m spacy download zh_core_web_sm
# 英文大模型（含词向量，准确率更高）
# python -m spacy download en_core_web_lg三、基础用法（英文 + 中文示例）
1. 英文示例：分词、词性、NER、依存
python
import spacy
# 加载英文模型
nlp = spacy.load("en_core_web_sm")
text = "Apple is looking at buying U.K. startup for $1 billion."
doc = nlp(text)
# 1. 分词 + 词性 + 依存
print("=== Token 信息 ===")
for token in doc:
print(f"{token.text:10} {token.pos_:6} {token.dep_:8} {token.head.text}")
# 2. 命名实体识别（NER）
print("\n=== 命名实体 ===")
for ent in doc.ents:
print(f"{ent.text:15} {ent.label_:8} {spacy.explain(ent.label_)}")
# 3. 句子拆分
print("\n=== 句子 ===")
for sent in doc.sents:
print(sent.text)2. 中文示例：分词、词性、NER
python
import spacy
# 加载中文模型
nlp = spacy.load("zh_core_web_sm")
text = "北京是中国的首都，字节跳动总部位于北京海淀区。"
doc = nlp(text)
# 分词 + 词性
print("=== 中文 Token ===")
for token in doc:
print(f"{token.text:4} {token.pos_:6} {token.dep_:8}")
# 实体识别
print("\n=== 中文实体 ===")
for ent in doc.ents:
print(f"{ent.text:6} {ent.label_:8} {spacy.explain(ent.label_)}")四、核心对象与属性
Doc：处理后的文档，可遍历、切片、访问句子/实体。Token：单个词/标点，常用属性：token.text：原文token.pos_：词性（如NOUN/VERB/PROPN）token.dep_：依存关系（如nsubj/dobj）token.lemma_：词形还原token.ent_type_：实体类型（如GPE/ORG）
Span：连续片段（如doc[0:3]），可用于实体/短语提取。
五、进阶常用功能
1. 词向量（需 lg 模型）
python
nlp = spacy.load("en_core_web_lg")
doc = nlp("cat dog banana")
print(doc[0].vector) # cat 的向量
print(doc[0].similarity(doc[1])) # cat 与 dog 相似度2. 可视化（displacy）
python
from spacy import displacy
# 实体可视化
displacy.serve(doc, style="ent")
# 句法树可视化
displacy.serve(doc, style="dep")3. 自定义 pipeline（添加规则/组件）
python
from spacy.language import Language
@Language.component("custom_component")
def custom_component(doc):
# 自定义逻辑：给含 "AI" 的 Token 加标签
for token in doc:
if "AI" in token.text:
token._.set("is_ai", True)
return doc
# 注册并添加到 pipeline
nlp.add_pipe("custom_component", last=True)六、与 NLTK 对比（快速选型）
| 特性 | spaCy | NLTK |
|---|---|---|
| 定位 | 工业级、生产就绪 | 教学、研究、灵活实验 |
| 速度 | 极快（Cython） | 较慢（纯 Python） |
| API | 简洁统一 | 零散、多模块 |
| 预训练模型 | 丰富、多语言 | 较少、需额外下载 |
| 中文支持 | 较好（zh_core_web_sm） |
需额外工具（如 jieba） |
七、常见问题
- 模型下载慢 ：用国内镜像或手动下载
.whl安装。 - 中文分词不准 ：可结合
jieba自定义分词器，或使用更大模型。 - 版本冲突 ：建议用虚拟环境（
venv/conda）隔离依赖。
这是一份可直接运行的 spaCy 中文 NER + 关键词提取 + 文本分类 完整脚本。
这是一份可复制、可直接运行、中文全功能 spaCy 脚本，包含：
- 中文分词
- 词性标注
- 命名实体识别（NER）
- 关键词提取
- 简单文本分类（基于规则 + 实体）
- 句法依存可视化
- 干净输出格式
你只需要安装依赖就能跑。
一、先安装（复制运行）
bash
pip install spacy
python -m spacy download zh_core_web_sm二、完整可运行代码（直接复制）
python
import spacy
from spacy import displacy
from collections import Counter
# ======================
# 1. 加载中文模型
# ======================
nlp = spacy.load("zh_core_web_sm")
# ======================
# 2. 测试文本（可自己改）
# ======================
text = """
北京是中国的首都，华为公司总部位于深圳龙岗区。
2025年人工智能技术快速发展，马斯克访问中国并参观了上海特斯拉工厂。
"""
# 处理文本
doc = nlp(text.strip())
# ======================
# 3. 中文分词 + 词性标注
# ======================
print("=" * 50)
print("【分词 & 词性标注】")
print("=" * 50)
for token in doc:
print(f"词语：{token.text:<6} | 词性：{token.pos_:<8} | 依存：{token.dep_}")
# ======================
# 4. 命名实体识别 NER（最常用！）
# ======================
print("\n" + "=" * 50)
print("【命名实体识别 NER】")
print("=" * 50)
for ent in doc.ents:
print(f"实体：{ent.text:<10} | 类型：{ent.label_:<8} | 说明：{spacy.explain(ent.label_)}")
# ======================
# 5. 关键词提取（基于名词/实体）
# ======================
print("\n" + "=" * 50)
print("【关键词提取】")
print("=" * 50)
keywords = []
for token in doc:
# 提取名词、专有名词、实体词
if token.pos_ in ["NOUN", "PROPN"] and token.ent_type_:
keywords.append(token.text)
# 统计高频词
key_count = Counter(keywords)
for word, count in key_count.most_common(10):
print(f"{word} ({count}次)")
# ======================
# 6. 简单文本分类（基于实体）
# ======================
print("\n" + "=" * 50)
print("【智能文本分类】")
print("=" * 50)
labels = []
for ent in doc.ents:
if ent.label_ == "GPE":
labels.append("地理/城市")
if ent.label_ == "ORG":
labels.append("公司/机构")
if ent.label_ == "PERSON":
labels.append("人物")
if ent.label_ == "DATE":
labels.append("时间")
labels = list(set(labels)) # 去重
print(f"这段文本包含类别：{', '.join(labels)}")
# ======================
# 7. 句法可视化（浏览器打开）
# ======================
print("\n正在启动句法可视化...（浏览器自动打开）")
displacy.serve(doc, style="dep", host="127.0.0.1", port=5000)三、运行后你会得到：
- 分词结果
- 每个词的词性
- 实体识别（地点、公司、人名、时间）
- 自动提取关键词
- 自动判断文本类别
- 浏览器打开句法树可视化
四、如果你想，我还能帮你做：
- 批量处理 Excel/CSV 文件
- 训练自己的 NER 模型
- 提取新闻中的公司、人物、地址
- 做情感分析
- 做文本摘要