NLTK与Spacy实战：从文本分类到实体识别的中文NLP流程

刚接手一个新闻文本分类的小任务时，我对自然语言处理（NLP）的认知基本停留在"用正则表达式匹配关键词"的阶段。直到面对几千篇没有统一格式的新闻稿，需要自动提取人物、机构、时间，判断正负面情绪，我才意识到正则根本撑不住这个场面。于是开始系统地接触NLTK和Spacy这两个Python生态里最常用的NLP库，一路踩坑走过来，把整个入门的完整路径整理成这篇文章，希望对刚开始接触NLP的读者有帮助。

这篇文章不是一个API文档的堆砌，而是我实际用这两个库处理新闻语料时的经验记录：什么时候该用NLTK，什么时候该用Spacy，环境怎么配最省心，中文语料怎么处理不会卡在编码和模型下载上，以及两者如何配合起来做一套完整的文本分析流程。适合刚入门NLP、准备用Python做文本处理、或者已经装了库但不知道从哪下手的读者。

1. NLTK和Spacy，两条不一样的路

很多新手一上来就问"NLTK和Spacy哪个更好"，这个问法本身就有问题。这俩库虽然都叫NLP工具库，但设计哲学和目标场景完全不同，搞清楚这个区别，你才知道自己的项目该选谁。

1.1 NLTK的定位：教学与研究的老牌工具箱

NLTK全称是Natural Language Toolkit，诞生于2001年，是宾夕法尼亚大学计算机系的教学工具演变而来的。它最大的特点是"全而杂"——从分词、词性标注、命名实体识别到情感分析、文本分类、语义推理，几乎NLP领域的经典算法它在底层都有实现。

我最初用NLTK时有一种感觉：它不像是一个工具，更像是一本可以跑的教科书。比如你想看朴素贝叶斯分类器的源码，NLTK里是直接可读的Python代码，而不是一个黑盒调用。这对理解算法原理帮助巨大，我到现在还建议想打基础的朋友先用NLTK手动跑一遍分类和情感分析，再去看那些封装好的深度学习框架。

但NLTK的短板也很明显。首先是性能，它处理大规模文本时速度明显偏慢，我用它处理几万条新闻语料做词频统计时，明显能感觉到等待时间。其次是工程化程度低，它返回的数据结构比较"学术范"，不像Spacy那样设计成方便链式调用的风格。最后是模型更新滞后，一些预训练模型相对老旧。

1.2 Spacy的定位：工业级文本处理流水线

Spacy是2015年发布的相对年轻的库，它从头就是奔着"生产环境可用"去的。它最大的特点是把NLP流程做成了工业流水线：你输入一段文本，它经过tokenizer、tagger、parser、ner等组件，一次性输出所有你需要的信息。

用Spacy处理一段新闻稿的感受是——快，非常快。我实测同样一篇5000字左右的新闻稿，Spacy的完整处理（分词+词性标注+依存句法+命名实体识别）只需要一两秒，而NLTK如果你要把每个步骤都跑一遍，耗时可能翻好几倍。

Spacy还有两个让我觉得比NLTK更适合实际项目的设计：

• 所有的处理结果都挂在Doc对象上，doc.ents拿到实体、doc.sents拿句子、token.dep_拿依存关系，链式操作非常顺手，代码写起来很简洁。
• 模型是独立的安装包，需要单独下载（比如en_core_web_sm、zh_core_web_sm），而且模型文件可以热替换，同一个代码逻辑可以切换不同语言的模型。

1.3 两个库的分工建议

用了一段时间之后，我形成了这样的分工习惯：

简单说，如果你要跑实验、学习NLP基础概念、做文本分类调研，NLTK是很好的选择。如果你要做的是海量文本的自动结构化抽取、上线一个实体识别服务、处理大量新闻语料，Spacy会更顺手。两者不冲突，完全可以混用——后面我会给一个实际的混用案例。

2. 环境准备：下载慢、模型路径、中文包这些坑一次说清

NLP环境配置的坑比想象中多，尤其是nltk_data下载慢的问题，在热搜词里都排得上号。这确实是每个新手都会撞上的墙，我当年第一次下载nltk_data等了一个多小时还没下完。这里把完整的配置路径整理清楚。

2.1 NLTK的安装和nltk_data下载提速方案

NLTK本身用pip安装很简单：

bash复制pip install nltk

麻烦的是它需要下载语料数据（nltk_data），默认是从github的raw链接下载，在国内网络环境下经常失败或极慢。标准做法是：

python复制import nltk
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('averaged_perceptron_tagger')
nltk.download('maxent_ne_chunker')
nltk.download('words')

如果卡在Downloading处不动，最快的解决方案是手动下载数据包。

我在实际操作中建议这样做：

1. 先访问nltk_data的GitHub仓库（github.com/nltk/nltk_data），用git克隆或者下载zip包。
2. 把压缩包里的packages目录解压后重命名为nltk_data。
3. 把整个nltk_data文件夹放到用户根目录下，Windows是C:\Users\你的用户名\nltk_data，Linux/macOS是~/nltk_data。
4. 重新执行nltk.download('punkt')，这时会发现已经检测到本地数据，不会走网络下载。

如果你已经下载了部分数据但不确定放在哪里，可以在Python里运行：

python复制import nltk
print(nltk.data.path)

它会输出所有搜索路径列表，把nltk_data文件夹放进任意一个路径都能被识别。这个排查动作帮我解决了好几次"明明下载了却报错找不到数据"的问题。

2.2 Spacy安装和模型的版本匹配问题

Spacy的安装分为两步：装库、装模型。这里有个非常容易踩的坑——模型版本必须和库版本匹配。

bash复制pip install spacy
python -m spacy download zh_core_web_sm

看起来很简单，但如果你用的Spacy是3.x版本，下载的模型却是2.x时代的，加载时就会直接报错。我建议安装模型前先确认库版本：

bash复制python -m spacy info

然后再用对应的方式装模型。如果直接python -m spacy download下载慢，可以到GitHub Releases页面找对应版本的模型包，下载后安装wheel文件：

bash复制pip install zh_core_web_sm-3.7.0-py3-none-any.whl

注意安装完的模型名后面不带版本号，加载代码是spacy.load('zh_core_web_sm')。

2.3 中文语料的编码和编码声明

中文NLP处理里最常见的坑是编码。我最早处理一批新闻语料时，读取文件直接乱码，原因就是文件是GBK编码而Python默认用了UTF-8。这里分享一个读取文件的稳妥写法：

python复制with open('news.txt', 'r', encoding='utf-8') as f:
    text = f.read()

如果不确定文件编码，可以用chardet自动检测：

python复制import chardet
with open('news.txt', 'rb') as f:
    raw = f.read()
    result = chardet.detect(raw)
    print(result['encoding'])

然后把检测到的编码传给open函数。这个技巧在处理从各种渠道收集来的中文语料时基本必用。另外，在Python文件顶部写# -*- coding: utf-8 -*-是个好习惯，虽然Python3默认UTF-8，但显式声明能让别人读代码时更清楚。

3. NLTK实战：从清洗新闻语料到词频统计和情感初判

NLTK处理文本的经典路线是：清洗 → 分句 → 分词 → 去停用词 → 词频统计 → 分类/情感分析。我以下面这段新闻文本为例，带你把完整流程跑一遍。

3.1 文本清洗和分句分词

先看一段原始新闻文本：

python复制raw_text = """据新华社报道，某科技公司今日发布新一代人工智能芯片，该芯片在图像识别任务中的能效比提升50%以上。
公司CEO张伟表示，新产品将在下个季度正式量产，目前已有多家智能手机厂商表达了合作意向。
分析人士指出，人工智能芯片市场竞争日趋激烈，此次发布有望改变现有市场格局。"""

第一步是清洗。新闻语料里常见的噪声包括：HTML标签、多余的空白字符、特殊符号、乱码字符。用正则做一个基础清洗：

python复制import re

def clean_text(text):
    # 去除HTML标签
    text = re.sub(r'<[^>]+>', '', text)
    # 去除多余空白
    text = re.sub(r'\s+', ' ', text)
    # 去除特殊字符但保留中文、英文、数字和常见标点
    text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：""''（）\s]', '', text)
    return text.strip()

cleaned = clean_text(raw_text)

这里有一个我在实际项目中总结出的经验：清洗规则要尽量保守，不要一刀切把所有标点都删掉。因为后续做句法分析或实体识别时，标点是有用的边界信息。我见过有人把英文句号都删了，结果Spacy分句直接乱掉。

然后是分句和分词。NLTK自带的punkt分词器对英文效果很好，但中文就不太行了。我的经验是：中文文本先按标点粗分句，再逐句用正则做细切分。如果你只是做词频统计，甚至可以不用jieba，直接用NLTK的正则分词器：

python复制from nltk.tokenize import RegexpTokenizer

# 分词器：匹配中文、英文单词和数字
tokenizer = RegexpTokenizer(r'[\u4e00-\u9fa5]|[a-zA-Z]+|\d+')
tokens = tokenizer.tokenize(cleaned)
print(tokens[:20])

这个正则表达式的意思是：每个中文字符单独作为一个token，连续的英文字母或数字分别作为一个token。对于中文词频统计来说，这种字级别的切分可以接受，但如果你要分析"人工智能"这种词，就需要用jieba做词级别的切分。把jieba接进来也很简单：

bash复制pip install jieba

python复制import jieba
seg_list = jieba.cut(cleaned, cut_all=False)
tokens = list(seg_list)
print(tokens[:20])

3.2 去停用词与词频统计

拿到分词结果后，第一件事是去停用词。中文里的"的""了""是""在"这类词出现频率极高但信息量低，不去掉的话词频统计会被它们霸榜。

NLTK自带的停用词表是英文的，中文需要自己准备停用词表，或者用网上公开的中文停用词表。我常用的方案是先把常见的中文停用词存在一个文本文件里，然后加载成集合：

python复制from nltk.corpus import stopwords

# 英文停用词
en_stops = set(stopwords.words('english'))

# 中文停用词（示例，实际使用时可扩充）
cn_stops = set('的 了 和 是 在 我 有 也 就 都 而 及 与 着 或 一个 没有 我们 你们 他们 这 那 之 于'.split())

def filter_tokens(tokens):
    return [t for t in tokens if t not in cn_stops and t.strip() and len(t) > 1]

注意最后一行我加了len(t) > 1的过滤条件，这是因为中文单字词大多没有实际分析价值（除非你是在做字级别的文本分析），去掉之后词频统计结果会干净很多。

统计词频用NLTK的FreqDist，这个类用起来体验很好：

python复制from nltk.probability import FreqDist

filtered = filter_tokens(tokens)
fdist = FreqDist(filtered)

# 查看最常见的10个词
print(fdist.most_common(10))

# 可视化词频分布（需要matplotlib）
fdist.plot(30, cumulative=False)

我在做新闻标题分析时，最常用的一个指标是词频TopN的变化趋势。比如把半年的新闻标题按月分组，分别统计每月的高频词，就能看出行业热点的迁移方向。这个分析用FreqDist做起来非常顺手。

3.3 用NLTK的朴素贝叶斯做情感初判

NLTK内置了朴素贝叶斯分类器，可以拿来做情感分析。虽然效果比不上深度学习模型，但作为基线（baseline）和入门实践，它是非常理想的选择。

先看基本流程。假设我们有标注好的中英文评论数据（每条评论一个label，pos或neg）：

python复制from nltk.classify import NaiveBayesClassifier
from nltk.classify.util import accuracy

# 假设data是[(words_list, label), ...]格式的训练数据
# 构造特征集：用词是否出现作为特征
def extract_features(words):
    return {word: True for word in set(words)}

train_data = [(['good', 'great', 'awesome'], 'pos'),
              (['bad', 'terrible', 'awful'], 'neg')]
feature_sets = [(extract_features(words), label) for words, label in train_data]

classifier = NaiveBayesClassifier.train(feature_sets)
print(accuracy(classifier, feature_sets))

这个demo虽然简陋，但背后的原理值得理解：朴素贝叶斯假设特征之间相互独立，然后计算每个词在正负样本中出现的条件概率，最后根据贝叶斯公式判断整条文本的类别。真实项目中，训练数据往往要几千条以上，特征的筛选也很关键——不是所有词都有区分度，有些词在正负样本中出现的频率接近，对分类就是噪声。

我在做新闻情绪分析时，会先做一步"信息增益"筛选，只保留对分类结果影响最大的几百个词作为特征。这个操作在NLTK里可以手动实现，不复杂，但能显著提升准确率。

3.4 NLTK处理新闻语料时的几个真坑

踩过的坑排个序，给各位提个醒。

第一个坑是nltk.download()反复失败。这个在前面已经说过解决方案，再补充一句：如果你在公司内网环境，可能还需要给Python配置代理，否则手动下载数据包也是白搭。

第二个坑是FreqDist在中文处理时会输出大量单字。这是因为RegexpTokenizer匹配中文字符时按单个字返回，所以频和率会被当成两个词。我在处理时通常会用一个自定义的停顿词表加上长度过滤来规避。

第三个坑是朴素贝叶斯的特征空间爆炸。如果你直接把所有词都加进特征集，训练集会非常稀疏，内存占用高且准确率反而下降。我的经验是：先统计词频，只保留出现次数大于N的词作为候选特征，用这个方法能把特征空间缩小一个量级。

4. Spacy实战：让机器看懂句子的结构和实体

如果说NLTK是"把文本变成词袋"，那Spacy做的就是"把文本变成一张关系网"。它输出的不只是词，而是词与词之间的语法关系、句子结构、实体边界。这部分能力在处理新闻语料时特别实用，因为你经常需要知道"谁"做了"什么"、发生在"哪里"。

4.1 Spacy的Doc体系：一切从nlp()开始

Spacy的使用核心是nlp()这个管道函数。你输入一段文本，它一路处理完，返回一个Doc对象，后面所有信息都从Doc上取：

python复制import spacy

nlp = spacy.load('zh_core_web_sm')
doc = nlp('某科技公司今日发布新一代人工智能芯片，公司CEO张伟表示新产品将于下季度量产。')

# 遍历token，查看词形、词性、依存关系
for token in doc:
    print(f'{token.text}\t{token.pos_}\t{token.dep_}\t{token.head.text}')

注意token.head是这个词的支配词（父节点），token.dep_是它和支配词之间的依存关系。比如在"发布"这个动词下面，"芯片"是它的直接宾语（dobj），"公司"是它的主语（nsubj）。有了这层关系，就可以做很多有意思的抽取。

比如抽取"主语-谓语-宾语"三元组：

python复制for token in doc:
    if token.dep_ in ('nsubj', 'dobj'):
        print(f'{token.dep_}: {token.text} <- {token.head.text}')

这在构建知识图谱或者做事件抽取时是基础第一步。我做过一个新闻事件抽取的小工具，就是用Spacy的依存句法结果，配合简单规则，把"某公司发布产品"这类结构化信息自动抽出来。

4.2 命名实体识别：从新闻里抓出人名、机构和时间

新闻语料中最重要的信息往往就是实体——谁、哪个机构、什么时间、什么地点。Spacy的NER（命名实体识别）组件可以直接标注出这些：

python复制doc = nlp('某科技公司今日发布新一代人工智能芯片，公司CEO张伟表示新产品将于下季度量产。')

for ent in doc.ents:
    print(f'{ent.text}\t{ent.label_}\t{ent.start_char}\t{ent.end_char}')

中文模型zh_core_web_sm能识别的实体类型包括：PERSON（人名）、ORG（机构）、GPE（地理位置）、DATE（日期）、TIME（时间）等。我的实际体验是，中文模型对新闻语料中的人名和机构名识别准确率还算不错，但对一些简称、缩写（比如把某公司简称为"该司"）会出现遗漏。

遇到识别率不够的情况，一个可行的方案是用entity_ruler组件添加自定义规则。比如你预先知道自己关注的机构名单，可以做成一个实体列表：

python复制import spacy
from spacy.pipeline import EntityRuler

nlp = spacy.load('zh_core_web_sm')
ruler = EntityRuler(nlp)
patterns = [{'label': 'ORG', 'pattern': '某科技公司'},
            {'label': 'ORG', 'pattern': '某智能芯片公司'}]
ruler.add_patterns(patterns)
nlp.add_pipe(ruler, before='ner')

doc = nlp('某科技公司今日与某智能芯片公司达成合作。')
for ent in doc.ents:
    print(ent.text, ent.label_)

这种"模型+规则"的混合方式在生产环境中非常常见。模型负责识别开放类实体，规则负责锁定已知实体，两者配合能兼顾覆盖率和准确率。我在实际项目中还习惯在实体识别之前，先对文本做一次清洗和格式规范化，把全角字符转半角等，这样识别效果会更稳定。

4.3 用displacy把语法树可视化

Spacy自带一个可视化工具displacy，可以把依存句法树或实体标注直接渲染成HTML或图片。这个工具在调试和汇报时特别好用：

python复制from spacy import displacy

doc = nlp('某科技公司今日发布新一代人工智能芯片。')

# 可视化依存关系
html = displacy.render(doc, style='dep', options={'compact': True})

# 可视化实体标注
html_ent = displacy.render(doc, style='ent')

把它输出到Jupyter Notebook里，你可以直观地看到每个词的依存关系，以及实体在原文中的边界。这个可视化对我理解Spacy内部工作原理帮助很大——有时候你看到结果不对，用displacy一画，立马就能发现问题出在哪个token的依存关系判断错了。

4.4 中文模型的选择：sm、md还是lg

Spacy中文模型有三个版本：zh_core_web_sm（小）、zh_core_web_md（中）、zh_core_web_lg（大）。区别主要在词向量维度和训练数据规模：

我的建议是：如果只是做句法解析、实体识别这些不依赖语义相似度的任务，sm版本完全够用，加载速度快，省内存。但如果你要用到token.similarity()这类语义相似度计算，就必须用md或lg版本，因为sm版本不包含词向量，相似度直接报错或返回无意义的结果。

我在一个文本去重项目里吃过这个亏，一开始用sm模型跑相似度，结果所有词的相似度都是0，排查了半天才发现是词向量缺失的问题。

5. 两者配合：一套完整的新闻文本分析流程

前面说了NLTK和Spacy各自的定位，那它们能不能在同一个项目里协作？我的答案是：能，而且配合得好可以扬长避短。

5.1 一个真实的混用场景拆解

我做过的一个新闻分析小项目是这样的需求：给一批新闻稿，自动分析出每篇报道的公司主体、产品名称、发布时间，以及报道整体的情绪倾向。

这个需求里有两类任务：

• 需要理解语法的任务：抽取公司主体和产品名称（实体识别）、判断发布时间（时间和事件绑定）。
• 需要统计和分类的任务：判断情绪倾向（情感分析），以及一些前期的语料清洗和特征统计。

我的处理流程是这样的：

python复制import re
import spacy
import jieba
from nltk.probability import FreqDist

# 第一步：NLTK + 正则做清洗
def clean_document(text):
    text = re.sub(r'<[^>]+>', '', text)
    text = re.sub(r'\s+', '', text)
    return text

# 第二步：Spacy做实体抽取
nlp = spacy.load('zh_core_web_sm')

def extract_entities(text):
    doc = nlp(text)
    companies = [ent.text for ent in doc.ents if ent.label_ == 'ORG']
    persons = [ent.text for ent in doc.ents if ent.label_ == 'PERSON']
    dates = [ent.text for ent in doc.ents if ent.label_ == 'DATE']
    return {'companies': companies, 'persons': persons, 'dates': dates}

# 第三步：jieba + NLTK做词频统计
def get_top_keywords(text, top_n=10):
    tokens = list(jieba.cut(clean_document(text)))
    filtered = [t for t in tokens if len(t) > 1 and t not in cn_stops]
    fdist = FreqDist(filtered)
    return [word for word, freq in fdist.most_common(top_n)]

这个流程的好处是：Spacy负责需要"理解"的部分，NLTK负责需要"统计"的部分，不用在两者之间做数据格式的来回转换。Spacy抽取的实体是结构化的，可以直接存数据库；NLTK的词频结果适合做后续的趋势分析和可视化。

5.2 效率问题：用nlp.pipe()批量处理

Spacy单条处理比较慢，但如果你有几千条新闻要跑，千万记得用nlp.pipe()批量处理，而不是在循环里一次次调用nlp(text)。

python复制texts = [doc1, doc2, doc3]  # 假设是大量新闻文本
for doc in nlp.pipe(texts, batch_size=50, n_process=2):
    companies = [ent.text for ent in doc.ents if ent.label_ == 'ORG']
    # 处理每条doc的结果
    print(doc.text[:20], companies)

nlp.pipe()会按批次处理文本，还能用n_process指定并行进程数。我实测在四核机器上处理1万条新闻，用单条循环需要20多分钟，用nlp.pipe()加n_process=4，时间能缩短到5分钟以内，差距非常明显。

5.3 防止内存泄漏：spacy模型的加载位置

一个很多人没注意到的细节是：Spacy模型加载应该放在函数外面或全局一次，而不是放在每次处理文本的函数里面。

python复制# 错误示范：每次处理都重新加载模型
def process(text):
    nlp = spacy.load('zh_core_web_sm')  # 这条语句很耗时
    doc = nlp(text)
    return doc

# 正确做法：加载一次，全局复用
nlp = spacy.load('zh_core_web_sm')
def process(text):
    return nlp(text)

原因是spacy.load()需要读磁盘上的模型文件并构建整个管道，一次读取可能耗时几百毫秒。如果每条文本都重新加载一次，大部分时间都浪费在IO上了。这在批量处理时是个致命的效率陷阱。

5.4 把结果落库：实体和关键词怎么组织

处理完的结果不能只print出来看一眼，要落到结构化的存储里（比如数据库或JSON文件）。我在项目中常用的落库格式如下：

python复制result = {
    'news_id': '2025_001',
    'title': '某科技公司发布新一代芯片',
    'companies': ['某科技公司'],
    'persons': ['张伟'],
    'dates': ['今日'],
    'keywords': ['芯片', '发布', '量产', '人工智能'],
    'sentiment': 'pos',
}

如果你用的是MongoDB这类文档数据库，这个JSON格式可以直接插入。如果用MySQL，可以拆成news表和entity表，用news_id关联。这个组织结构的好处是：查询"某家公司出现在哪些新闻里"或者"某个关键词的趋势变化"时，SQL写起来非常直观。

6. 实测效果与调优思路

跑通了基础流程之后，你会想进一步提升效果。这里谈谈我实测下来的一些数据和调优方向。

6.1 模型精度的实际观察

在几千条中文新闻语料上的实测结果：

• Spacy中文模型的实体识别F1值大约在0.7-0.8之间，对规范表达的人名、机构名效果较好，对简称和口语化表达会漏。
• NLTK朴素贝叶斯在短文本情绪分类上准确率约为0.75-0.8（训练数据3000条左右），明显高于随机猜测，但和基于BERT的模型（约0.9以上）还有差距。
• 词频统计对新闻主题挖掘的帮助很大，Top10关键词基本能覆盖一篇新闻的核心主题。

这些数字说明：传统NLP工具和深度模型不是替代关系。如果你的任务有限、计算资源有限、需要快速看到效果，NLTK和Spacy这套组合是完全能撑起来的。如果你对准确率要求极高，就需要引入深度学习模型了，但NLTK和Spacy仍然可以作为预处理工具存在。

6.2 语料质量对结果的影响远超模型选择

这是我整个项目感触最深的一点。同样的Spacy模型，在格式规范的新闻稿上实体识别F1值可能是0.8，在复制粘贴导致乱码、分段混乱的文本上可能直接掉到0.5以下。

所以我的建议是：在调模型参数之前，花大力气做语料清洗和格式规范化。具体的优先级是：

1. 先用正则做粗清洗（去HTML、去多余空白、统一换行）。
2. 再处理编码问题（转成统一UTF-8）。
3. 最后做内容结构规范化（标题和正文分离，去掉页脚、广告等噪声）。

这三步做完，你的模型效果已经能提升一大截。我自己是在踩过几次"模型效果差"的坑之后才意识到，很多时候问题根本不在模型，而在数据。

6.3 扩展思路：把规则引擎接到Spacy后面

当你需要抽取的事件类型比较复杂时（比如"某公司和某公司签订了合作"），纯靠NER是不够的。我的做法是在Spacy结果上叠一层规则引擎，用依存关系匹配抽出完整的"主体-动作-客体"三元组。

例如，要抽取"收购"事件，可以定义规则：

python复制def extract_acquisition_events(doc):
    events = []
    for token in doc:
        # 找到“收购”这个核心动词
        if token.lemma_ == '收购' or token.text == '收购':
            subj = None
            obj = None
            for child in token.children:
                if child.dep_ == 'nsubj':
                    subj = child.text
                elif child.dep_ == 'dobj':
                    obj = child.text
            if subj and obj:
                events.append((subj, '收购', obj))
    return events

这个思路很朴素，但效果稳定，而且便于维护。当你发现某类规则抽不准时，改规则比重新训练模型快得多。整体架构上，我倾向于"模型做召回、规则做精确"，先让模型识别出候选内容，再用规则过滤和结构化。这套思路在我做过的多个NLP项目中都验证了可行性。

回到最初的那批新闻稿，用这套"Spacy抽实体 + NLTK做统计"的流程，我最后把近万条新闻里的公司、人物、时间、关键词和情绪倾向全部结构化落库，后续做趋势分析、舆情监控都变得轻松很多。如果你是刚接触NLP，建议先动手把这套流程跑通，再考虑要不要上深度学习模型。毕竟，先把基础工具用好的人，在换用复杂工具时也一定能更快上手。