Presidio项目中Transformers识别器的正确使用方式
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:
-
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。
-
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
- 对于单一模型场景,优先考虑TransformersNlpEngine方式
- 需要多模型或特殊处理时,才考虑自定义识别器
- 使用GLiNER等专用模型时,直接使用对应的预定义识别器
- 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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









