我正在使用 Spacy NER 从文本中识别命名实体，但我有整个 HTML 页面作为输入，所以我如何从文本中删除所有 html 标签，只将没有 html 标签的原始文本提供给 NER 模型进行预测，预测后如何显示带有 HTML 标签的相同文本？
我尝试xml.etree.ElementTree删除HTML标签，这给了我没有html标签的文本，但是在预测之后，我如何以原始格式显示带有所有html标签的文本。
import xml.etree.ElementTree
def remove_html_tags(text):
"""Remove html tags from a string"""
return ''.join(xml.etree.ElementTree.fromstring(text).itertext())
有什么方法可以再次使用原始 html 标签显示此文本，或者 Spacy 在预测命名实体时具有忽略 html 标签的任何功能？
我知道这是懒惰的方式，但您可以将 html 页面的第一个条件保存在某处。
我不认为 spacy 有这样的功能......但你可以保存 xml 元素树，然后只是将文本传递给空间...某些版本：
root = xml.etree.ElementTree.fromstring(text)
doc = nlp(root.itertext())