使用Spacy分词需先安装库和语言模型，再加载模型处理文本。以中文为例：pip install spacy，下载zh_core_web_sm，用nlp(text)获取分词结果，支持词性、停用词等信息提取，英文处理同理，只需替换为en_core_web_sm模型即可完成高质量分词。

使用Spacy进行分词非常直观。Spacy是一个功能强大的自然语言处理库，支持多种语言的分词、词性标注、命名实体识别等任务。要使用Spacy进行中文或英文分词，首先需要安装Spacy和对应的语言模型。

安装Spacy和语言模型

在命令行中运行以下命令安装Spacy：

pip install spacy

然后下载所需的语言模型。以中文为例：

python -m spacy download zh_core_web_sm

如果是英文：

立即学习“Python免费学习笔记（深入）”；

python -m spacy download en_core_web_sm

加载模型并进行分词

导入Spacy并加载语言模型后，将文本传入模型即可得到分词结果。

python全能编程助手

SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、

下载

import spacy

# 加载中文模型
nlp = spacy.load("zh_core_web_sm")

text = "我爱自然语言处理技术"
doc = nlp(text)

# 输出分词结果
for token in doc:
    print(token.text)

输出为：

我
爱
自然语言
处理
技术

处理英文文本

英文处理方式类似，Spacy会自动识别单词边界和标点。

import spacy

# 加载英文模型
nlp = spacy.load("en_core_web_sm")

text = "I love NLP and machine learning."
doc = nlp(text)

for token in doc:
    print(token.text)

获取更多词汇信息

除了分词，Spacy还提供词性、是否停用词等信息。

for token in doc:
    print(f"文本: {token.text}, 词性: {token.pos_}, 停用词: {token.is_stop}")

这有助于后续的文本清洗或分析。

基本上就这些。只要正确安装模型并调用nlp对象，就能快速完成高质量的分词任务。注意确保网络通畅以便下载模型文件。