textacy: NLP, before and after spaCy

textacy是一个基于高性能spaCy库的Python自然语言处理（NLP）工具库。它将基础任务（如分词、词性标注、依存解析等）委托给spaCy处理，主要聚焦于文本处理的前后阶段任务。

核心功能

• 扩展spaCy功能：通过便捷方法和自定义扩展访问并增强spaCy的核心文档处理能力，支持单文档或批量文档操作
• 预置数据集加载：提供带文本内容及元数据的多样化数据集，涵盖国会演讲、历史文献、Reddit评论等
• 文本预处理：清洗、规范化及探索原始文本，为spaCy处理做准备
• 结构化信息提取：从处理后的文档中提取n-gram、实体、缩略语、关键词及主谓宾三元组
• 相似度计算：支持多种字符串与序列相似度度量方法
• 主题建模：文档标记化与向量化，支持模型训练、结果解释与可视化
• 文本统计：计算可读性（如Flesch-Kincaid等级）与词汇多样性指标（如类符形符比）

资源链接

• 下载：PyPI页面
• 文档：ReadTheDocs
• 源码：GitHub仓库

目录概览

1. 安装指南

   • 依赖项说明
   • 数据下载

2. 快速入门

   • 文本处理流程
   • 单文档操作（创建与分析）
   • 多文档操作（语料库构建与分析）
   • 多语言支持

3. 教程案例

   • 美国国会工作者背景分析
   • 国会文本中的术语与主题挖掘

4. API参考

   • 语言/文档/语料库接口
   • 数据集与资源
   • 文本预处理
   • 信息提取
   • 文本统计
   • 相似度计算
   • 文档表示
   • 主题建模
   • 文件I/O
   • 可视化
   • 数据增强
   • 其他功能

5. 版本变更

   • 详细列出0.1.3至0.13.0版本更新记录