spaCy 的基于规则的匹配器找到比形状指定的更长的标记

Question

我想使用基于规则的 Matcher（spaCy 版本 2.0.12）来定位由 4 个字母和 4 个数字组成的文本代码（例如 CAPA1234）。我正在尝试使用具有属性 SHAPE:

的模式

pattern = [{'SHAPE': 'XXXXdddd'}]

你可以自己用 Rule-based Matcher Explorer 测试一下。

它找到了我期待的代码，但也找到了更长的代码，如 CAPABCD1234 或 CAPA1234567。 XXXX 似乎意味着 4 个大写字母或更多 dddd.

也是如此

是否有使形状与文本完全匹配的设置？

Answer 1

^{我找到了解决我的问题的解决方法，但并没有真正解释为什么 spaCy 的行为如此。我会留下这个问题。}

使用 SHAPE 并另外明确指定 LENGTH：

pattern = [{'LENGTH': 8, 'SHAPE': 'XXXXdddd'}]

请注意，当使用 LENGTH 时，在线资源管理器似乎会失败（没有突出显示标记）。它在我的机器上运行良好。