本文介绍如何解决 spacy 默认将“from…to…”类日期范围识别为单个 date 实体的问题，通过后处理拆分实现粒度更细的独立日期提取，并支持混合句式与多日期场景。
本文介绍如何解决 spacy 默认将“from…to…”类日期范围识别为单个 date 实体的问题，通过后处理拆分实现粒度更细的独立日期提取，并支持混合句式与多日期场景。
spaCy 的预训练 NER 模型（如 en_core_web_sm）在识别日期时倾向于将连续的时间表达式（例如 "30 June 2019 to 1 January 2022"）整体归为一个 DATE 实体，而非两个独立日期。这导致直接遍历 doc.ents 无法满足细粒度提取需求。解决思路不是替换模型，而是对识别出的 DATE 实体文本进行语义感知的后处理——重点拆分连接词（如 "to"、"until"、"and" 等），再清洗空格与标点。
以下是一个健壮的改进函数，不仅支持 "to"，还扩展处理常见时间连接词，并自动过滤空字符串：
import re
def extract_dates_with_year(text):
doc = nlp(text)
dates_with_year = []
# 定义常见日期分隔词（支持中英文常见变体）
separators = r"\b(to|until|through|and|&|–|-|—)\b"
for ent in doc.ents:
if ent.label_ == "DATE":
# 按分隔符切分，保留语义边界；去除首尾空格和常见标点
parts = re.split(separators, ent.text)
for part in parts:
cleaned = re.sub(r"[^\w\s.,/]", "", part).strip() # 基础清洗
if cleaned and len(cleaned) > 3: # 过滤过短噪声（如单个"to"）
dates_with_year.append(cleaned)
return dates_with_year
使用示例：
import spacy
nlp = spacy.load("en_core_web_sm")
txt = """
The dates are from 30 June 2019 to 1 January 2022 inclusive.
And oddly also 5 January 2024.
And exclude 21 July 2019 until 23 July 2019.
Meeting runs 15–17 March 2023 & ends on 20 April 2023.
"""
print(extract_dates_with_year(txt))
# 输出：
# ['30 June 2019', '1 January 2022', '5 January 2024',
# '21 July 2019', '23 July 2019', '15 March 2023',
# '17 March 2023', '20 April 2023']
注意事项：
- 此方法依赖 spaCy 基础 DATE 识别能力，若原始文本存在未被识别的日期（如 "Jun 30, '19"），需先优化模型（微调或添加规则匹配）；
- 分隔符正则应根据实际语料调整，避免误切（如 "to" 在非时间上下文中）；
- 对于复杂嵌套结构（如 "Q3 2022 to Q1 2023"），建议结合 dateparser 或自定义规则进一步标准化；
- 生产环境建议增加异常处理与日志，便于追踪低置信度识别结果。
该方案平衡了简洁性与实用性，在不修改模型的前提下显著提升日期提取精度，适用于合同、日程、新闻等含时间范围的通用文本处理场景。
