翻译技术｜代码分享——使用 SpaCy 进行句法依存分析

代码分享

使用 SpaCy 进行句法依存分析
代码及解析

import spacy

# 加载模型
nlp = spacy.load("en_core_web_sm")

# 示例文本
sentence = "Apple decided to buy a startup in London."

# 处理文本
doc = nlp(sentence)

# 句法依存分析
for token in doc:
    print(f"{token.text:{15}} {token.dep_:{10}} {token.head.text:{15}}")

这段代码使用了 SpaCy 进行句法依存分析，输出结果的每一行包含三列信息，分别是：

1.  token.text：句子中的每个单词（或标记）。

2.  token.dep_：该单词在句法依存结构中的角色（即依存关系）。例如，nsubj 表示名词主语，dobj 表示直接宾语等。

3.  token.head.text：这是最右列的内容。这一列显示的是与当前单词（token）在句法结构中直接相关联的“头”单词。在句法依存关系中，每个单词都与另一个单词有直接的关系（除了根词）。这个“头”单词是当前单词在句法结构中依赖的单词。

例如，在句子 "Apple decided to buy a startup in London." 中，如果我们考虑单词 "buy"，它的头单词可能是 "decided"，这意味着在句法结构中 "buy" 直接依赖于 "decided"。这种分析对于理解句子的句法结构和单词之间的关系非常有用。

运行结果如下：

每日啃一段代码，日积月累，我们可以跨越这条鸿沟，若是还未入门Python,可加入我们的粉丝群免费获取《第一本书Python》,快速入门！

往期代码合集可后台回复代码分享或者加入翻译圈粉丝群获取，粉丝群还有其它资源哦！

参考书藉：Python语言数据分析 管新潮 著

特别说明：本文仅供学习交流，如有不妥欢迎后台联系小编。

- END -

---

翻译圈公众号旨在为读者提供名师和专家对口笔译的真知灼见，CATTI考试和MTI入学考试信息，翻译等语言服务就业资讯，以及口笔译学习资源和知识，希望在翻译之路上，为大家助上一臂之力。欢迎大家积极留言，为我们提供建设性意见，我们共同进步！

原文作者：吴志雄

推文编辑：李姗姗

指导老师：朱华

审核：吴志雄、刘一葶

项目统筹：吴志雄

资讯推荐

口译练习分享

▶精品课程

▶资源宝库

▶翻译百科

▶代码分享

▶文献精读

▶译界动态

  关注我们 了解更多

CATTI和MTI资讯

语言服务就业信息

翻译名师真知灼见

翻译学习精品课程