spark-nlp
4,163
Stars
743
Forks
97
Watchers
24
Open Issues
Apache-2.0
许可证
Scala
语言
2017-09-24
创建时间
2026-11-11
最近更新
项目能做什么
Spark NLP 是基于 Apache Spark 构建的工业级 NLP 与大模型库,解决大规模文本处理在分布式环境中难以扩展的痛点。它提供实体识别、文本分类、问答等功能,内置超 10 万个预训练模型与管道,并支持导入 TensorFlow、ONNX 及 GGUF 模型。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
# Spark NLP: State-of-the-Art Natural Language Processing & LLMs Library
<p align="center">
<a href="https://github.com/JohnSnowLabs/spark-nlp/actions" alt="build">
<img src="https://github.com/JohnSnowLabs/spark-nlp/workflows/build/badge.svg" /></a>
<a href="https://github.com/JohnSnowLabs/spark-nlp/releases" alt="Current Release Version">
<img src="https://img.shields.io/github/v/release/JohnSnowLabs/spark-nlp.svg?style=flat-square&logo=github" /></a>
<a href="https://search.maven.org/artifact/com.johnsnowlabs.nlp/spark-nlp_2.12" alt="Maven Central Scala 2.12">
<img src="https://maven-badges.herokuapp.com/maven-central/com.johnsnowlabs.nlp/spark-nlp_2.12/badge.svg" /></a>
<a href="https://search.maven.org/artifact/com.johnsnowlabs.nlp/spark-nlp_2.13" alt="Maven Central Scala 2.13">
<img src="https://maven-badges.herokuapp.com/maven-central/com.johnsnowlabs.nlp/spark-nlp_2.13/badge.svg" /></a>
<a href="https://badge.fury.io/py/spark-nlp" alt="PyPI version">
<img src="https://badge.fury.io/py/spark-nlp.svg" /></a>
<a href="https://anaconda.org/JohnSnowLabs/spark-nlp" alt="Anaconda-Cloud">
<img src="https://anaconda.org/johnsnowlabs/spark-nlp/badges/version.svg" /></a>
<a href="https://github.com/JohnSnowLabs/spark-nlp/blob/master/LICENSE" alt="License">
<img src="https://img.shields.io/badge/License-Apache%202.0-blue.svg" /></a>
<a href="https://pypi.org/project/spark-nlp/" alt="PyPi downloads">
<img src="https://static.pepy.tech/personalized-badge/spark-nlp?period=total&units=international_system&left_color=grey&right_color=orange&left_text=pip%20downloads" /></a>
</p>
Spark NLP is a state-of-the-art Natural Language Processing library built on top of Apache Spark. It provides **simple**, **performant** & **accurate** NLP annotations for machine learning pipelines that **scale** easily in a distributed environment.
Spark NLP comes with **100000+** pretrained **pipelines** and **models** in more than **200+** languages.
It also offers tasks such as **Tokenization**, **Word Segmentation**, **Part-of-Speech Tagging**, Word and Sentence **Embeddings**, **Named Entity Recognition**, **Dependency Parsing**, **Spell Checking**, **Text Classification**, **Sentiment Analysis**, **Token Classification**, **Machine Translation** (+180 languages), **Summarization**, **Question Answering**, **Table Question Answering**, **Text Generation**, **Image Classification**, **Image to Text (captioning)**, **Automatic Speech Recognition**, **Zero-Shot Learning**, and many more [NLP tasks](#features).
**Spark NLP** is the only open-source NLP library in **production** that offers state-of-the-art transformers such as **BERT**, **CamemBERT**, **ALBERT**, **ELECTRA**, **XLNet**, **DistilBERT**, **RoBERTa**, **DeBERTa**, **XLM-RoBERTa**, **Longformer**, **ELMO**, **Universal Sentence Encoder**, **Llama-2**, **M2M100**, **BART**, **Instructor**, **E5**, **Google T5**, **Mar
阅读完整原文
项目深度分析 AI 生成
企业级 Spark-NLP 专属模型精调与分布式加速咨询
| 产品构想 | 针对已有 Spark 集群的企业,提供将 HuggingFace/ONNX/GGUF 模型高效导入并在 Spark-NLP 上做大规模分布式批处理的定制优化服务。 |
| 核心功能 | 模型转换与适配(ONNX/OpenVINO)、分布式 Pipeline 性能调优、内存与 GPU 资源调度优化报告。 |
| 目标用户 | 拥有数百万级文本流水线的大型企业、金融与电信数据分析团队。 |
| 难度/周期 | 高 · 2 - 4 周/项目 · 成本:极低(主要为人力与调试测试用云资源) |
| 收费模式 | 按项目交付收取咨询与实施费(单次 3-10 万元推测)。 |
| 竞争风险 | 官方商业公司 John Snow Labs 本身提供深度商业服务(如 Spark NLP for Healthcare),独立个人容易受到官方生态竞争挤压。 |
| 依据 | 已验证事实 |
垂直领域轻量化 Spark-NLP Pipeline 资产包与模板库
| 产品构想 | 构建针对特定垂直行业(如合规审查、金融财报分析、政务公文要素提取)的预配置流水线和预训练权重打包产品,降低企业上手搭建门槛。 |
| 核心功能 | 开箱即用的 PySpark 工作流代码、预设好的词表/规则/模型组合、评测基准数据及 Docker 本地调试包。 |
| 目标用户 | 缺乏资深 NLP 专家的中小企业数据开发团队、外包解决方案提供商。 |
| 难度/周期 | 中等 · 1 - 2 个月 · 成本:低(主要为数据标注及微调云算力成本) |
| 收费模式 | 技术资产包买断收费或提供按年更新订阅订阅。 |
| 竞争风险 | 市场较窄,购买现成脚本的企业比例可能不高,需强销售能力。 |
| 依据 | 尚需验证的假设 |
Spark NLP 运维调优与集群排错诊断工具(SaaS/CLI)
| 产品构想 | 开发一个针对 Spark NLP 任务的诊断 CLI 工具,分析 Spark 执行日志,快速定位 OOM、执行倾斜、跨 JVM 与 Python 进程通信瓶颈等常见问题。 |
| 核心功能 | Spark 执行计划与内存分析、针对 Spark-NLP Annotator 的参数调优建议生成、瓶颈可视化报表。 |
| 目标用户 | 负责大数据 Pipeline 稳定性与成本的 DataOps、平台运维及数据工程师。 |
| 难度/周期 | 中等偏高 · 2 - 3 个月 · 成本:低(基础开发与测试环境) |
| 收费模式 | 基础 CLI 开源,高级诊断建议与报告导出按席位/集群规模收取月费(SaaS/本地 License)。 |
| 竞争风险 | Spark 生态中已有 Sparklens 等通用调优工具,针对 Spark-NLP 的专用需求壁垒不足。 |
| 依据 | AI推测 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| fighting41love/funNLP | 中文介绍暂未生成 中英文敏感词、语言检测、中外手机/电话归属地/运营商查询、名字推断性别、手机号抽取、身份证抽取、邮箱抽取、中日文人名库、 |
84,541 | Python |
| google-research/bert | 中文介绍暂未生成 TensorFlow code and pre-trained models for BERT |
40,030 | Python |
| graykode/nlp-tutorial | 中文介绍暂未生成 Natural Language Processing Tutorial for Deep Learning Resea |
14,931 | Jupyter Notebook |
| PaddlePaddle/PaddleNLP | 中文介绍暂未生成 Easy-to-use and powerful LLM and SLM library with awesome mo |
12,990 | Python |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2017-09-24,近 30 天仍在推送,发布过 100 个 Release |
| 社区活跃 | Star 4,163 / Fork 743 / Issue 24(数据支持,可自行核实) |
| 许可证 | Apache-2.0 |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
此项目未提供 Docker 镜像,安装步骤以原仓库 README 为准(涉及依赖安装与环境配置,对新手门槛较高)。