如何在 spaCy Matcher 中获取匹配项所在句子的前一句

本文介绍在逐行处理文本时，使用 spaCy Matcher 提取匹配实例、当前句子及前一句的完整实现方案，核心在于维护跨句子的上下文状态（如 prev_sent 变量），避免因句子无索引而无法回溯的问题。

本文介绍在逐行处理文本时，使用 spacy matcher 提取匹配实例、当前句子及前一句的完整实现方案，核心在于维护跨句子的上下文状态（如 `prev_sent` 变量），避免因句子无索引而无法回溯的问题。

在使用 spaCy 的 Matcher 进行规则匹配时，若需同时获取「匹配片段」「所在完整句子」和「前一句」，关键难点在于：spaCy 的 doc.sents 是生成器，句子对象本身不携带位置索引，也无法直接通过 sent[-1] 获取上一句（该写法实际访问的是句子内最后一个 token）。正确解法是在遍历句子时主动维护一个指向“上一句”的引用变量，并在每次匹配成功时读取该引用。

以下为优化后的完整实现流程：

1. matcher 初始化一次，复用提升性能：将 Matcher 实例创建移至文件循环外，避免重复构建；
2. 逐句遍历 + 状态追踪：对每个 doc 调用 doc.sents，用 prev_sent 缓存上一个句子对象；
3. 安全访问前一句：仅当 prev_sent is not None 时取 prev_sent.text，否则填充 "N/A" 或空字符串；
4. 精准匹配范围：matcher(sent) 直接作用于句子级 Span，确保匹配逻辑与语境一致（而非整行文档）。

import spacy
from spacy.matcher import Matcher
import pandas as pd

nlp = spacy.load("en_core_web_sm")
pattern = [{"LOWER": "error"}, {"POS": "VERB"}]  # 示例：匹配 "error occurred" 类模式
matcher = Matcher(nlp.vocab)
matcher.add("ERROR_PATTERN", [pattern])

instances = []

with open('file.txt', 'r') as f:
    for line in iter(f.readline, ''):
        doc = nlp(line.strip())  # 去除换行符，避免空句干扰
        prev_sent = None
        for sent in doc.sents:
            matches = matcher(sent)
            if matches:
                for match_id, start, end in matches:
                    matched_span = sent[start:end]
                    instances.append(pd.Series({
                        "instance": matched_span.text,
                        "sentence": sent.text.strip(),
                        "previous_sentence": prev_sent.text.strip() if prev_sent else "N/A"
                    }))
            prev_sent = sent  # 更新为当前句，供下一轮使用

df = pd.DataFrame(instances)
print(df[["instance", "sentence", "previous_sentence"]])

⚠️ 注意事项：

• 单行即单文档假设：本方案默认每行是独立语义单元（如日志条目、对话轮次）。若需跨行连贯句子分割（如段落级断句），应先合并多行为完整文本再调用 nlp()，并改用 doc[i-1:i] 等索引方式定位前句；
• 空句/标点边界问题：doc.sents 依赖模型内置断句规则，对简短或格式异常的行（如纯数字、无标点）可能失效，建议预处理或添加 if len(list(sent)) > 0: 校验；
• 性能考量：若文件极大，可考虑使用 nlp.pipe() 批量处理，但需注意 sents 迭代逻辑需适配批处理结构。

该方法简洁、鲁棒且符合 spaCy 最佳实践，适用于日志分析、合规审查、问答上下文提取等需局部语境感知的 NLP 场景。