scispaCy：面向科学文献的 spaCy 处理流程与模型

scispaCy 是 AllenAI 维护的开源工具，在 spaCy 基础上提供面向科学文献与生物医学文本的分词、词性标注、句法分析和实体识别模型。

这个工具是什么

scispaCy 是 AllenAI 发布的开源项目，采用 Apache-2.0 许可证，用 Python 编写，依赖 spaCy 框架。它在 spaCy 基于规则的分词器之上增加了针对科学文献的分词规则，并提供在生物医学数据上训练的词性标注器、句法分析器和实体跨度检测模型；此外还单独提供面向更具体任务的 NER 模型。项目主页提供在线 demo，但 README 说明该 demo 运行的是较旧版本，结果可能与最新版本不同。模型按词表规模与是否使用 transformer 分为多个版本，可按需下载安装。

核心能力

• 在 spaCy 规则分词器基础上补充科学文献专用分词规则，适配生物医学文本的书写习惯
• 提供在生物医学数据上训练的词性标注与句法分析流程，可直接加载使用
• 提供实体跨度检测模型，以及面向 CRAFT、JNLPBA 等语料训练的专用 NER 模型
• 模型分 sm、md、lg 与 scibert 等版本，词表与词向量规模不同，可按任务选择

科研中的典型用法

• 对生物医学论文摘要或全文做分词、词性标注与依存句法分析，作为下游信息抽取的预处理步骤
• 用实体跨度检测模型识别文本中的生物医学实体，再结合专用 NER 模型区分基因、疾病等类型
• 在科学文献语料上构建文本处理流水线，将 scispaCy 模型作为 spaCy 组件嵌入自有流程

快速上手

先安装库：pip install scispacy；再单独安装模型，例如 pip install https://s3-us-west-2.amazonaws.com/ai2-s2-scispacy/releases/v0.5.4/en_core_sci_sm-0.5.4.tar.gz。README 建议使用 virtualenv 或 conda 等隔离环境，且仅支持 Python 3.6 及以上。安装后用 spacy.load("en_core_sci_sm") 加载模型并处理文本。升级 scispaCy 后需重新下载对应版本的模型。

生态与相近工具

同领域可考虑直接用通用 spaCy 模型处理文本，但其分词与标注并非针对生物医学语料；也可选用其他生物医学 NLP 工具或语料专用 NER 模型。scispaCy 的优势在于与 spaCy 接口一致、模型按规模分层，便于在既有 spaCy 流程中替换或叠加组件；若任务只需通用英文处理，则通用模型已足够。

项目信息

• 仓库：allenai/scispacy
• 星标：1,993　·　派生：258
• 主要语言：Python
• 许可证：Apache-2.0
• 最近提交：2025-12-04
• 项目主页：https://allenai.github.io/scispacy/

本文属于《学科研究工具知识库 · 医学与健康》第 8 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。