首页
/ Presidio项目中Transformers识别器的正确使用方式

Presidio项目中Transformers识别器的正确使用方式

2025-06-13 12:08:11作者:袁立春Spencer

问题背景

在使用微软开源的隐私数据识别工具Presidio时,开发者可能会遇到TransformersRecognizer类的使用问题。特别是当尝试使用GLiNER等预训练模型进行实体识别时,可能会遇到"TypeError: SpacyRecognizer.init() got an unexpected keyword argument 'model_path'"这样的错误。

问题根源分析

这个问题的根本原因在于Presidio项目中Transformers集成方式的多样性。Presidio提供了两种主要的方式来集成Transformers模型:

  1. TransformersNlpEngine方式:这是官方推荐的标准集成方法,通过NLP引擎的方式将Transformers模型整合到Presidio的分析流程中。

  2. 自定义EntityRecognizer方式:当需要同时使用多个Transformers模型或有特殊需求时,可以通过创建自定义的实体识别器来包装Transformers模型。

解决方案详解

标准集成方法:TransformersNlpEngine

对于大多数使用场景,特别是只需要单一Transformers模型的情况,推荐使用TransformersNlpEngine。这种方法提供了更好的性能和更简单的配置方式:

from presidio_analyzer import AnalyzerEngine
from presidio_analyzer.nlp_engine import TransformersNlpEngine

nlp_engine = TransformersNlpEngine(
    model_path="urchade/gliner_multi_pii-v1"
)
analyzer = AnalyzerEngine(nlp_engine=nlp_engine)

这种方式会自动处理模型的加载和推理过程,开发者只需要关注业务逻辑即可。

自定义识别器方法

当标准集成方法无法满足需求时,可以考虑创建自定义识别器。需要注意的是,Presidio核心库中的TransformersRecognizer实际上是继承自SpacyRecognizer的简化版本,并不直接支持model_path参数。

如果需要实现自定义的Transformers识别器,可以参考以下模式:

from presidio_analyzer import EntityRecognizer

class CustomTransformersRecognizer(EntityRecognizer):
    def __init__(self, model_path, supported_entities):
        super().__init__(supported_entities=supported_entities)
        self.model = AutoModelForTokenClassification.from_pretrained(model_path)
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
    
    def analyze(self, text, entities, nlp_artifacts=None):
        # 实现具体的分析逻辑
        pass

关于GLiNER模型的特别说明

对于GLiNER这类专门用于隐私信息识别的预训练模型,Presidio提供了专门的集成方案。开发者可以直接使用预定义的GLiNER识别器,这种方式比通用的Transformers集成更加简单高效:

from presidio_analyzer import AnalyzerEngine
from presidio_analyzer.predefined_recognizers import GlinerRecognizer

gliner_recognizer = GlinerRecognizer()
analyzer = AnalyzerEngine()
analyzer.registry.add_recognizer(gliner_recognizer)

最佳实践建议

  1. 对于单一模型场景,优先考虑TransformersNlpEngine方式
  2. 需要多模型或特殊处理时,才考虑自定义识别器
  3. 使用GLiNER等专用模型时,直接使用对应的预定义识别器
  4. 注意不同Presidio版本间的API差异,特别是核心库与示例代码之间可能存在不一致

通过理解这些不同的集成方式和它们适用的场景,开发者可以更有效地利用Presidio结合Transformers模型进行隐私数据识别工作。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8