spaCy : repère les personnes, lieux et organisations cachés dans tes textes

Un humain lit peut-être cinquante documents par jour. Une machine, elle, peut en parcourir des millions. Le seul vrai obstacle, ce n'est pas la vitesse : c'est la compréhension. Pour qu'un programme « comprenne » un texte, il doit d'abord réussir une tâche que ton cerveau fait sans réfléchir : repérer qu'« Emmanuel Macron » est une personne, que « Bruxelles » est un lieu, et que « la Commission européenne » est une organisation. Cette tâche s'appelle la reconnaissance d'entités nommées, ou NER pour Named Entity Recognition. Dans ce tutoriel, on va l'implémenter en quelques lignes avec spaCy, la bibliothèque de traitement du langage naturel la plus utilisée en production aujourd'hui.

Pourquoi le NER change la donne

Prends un exemple concret. Imagine que tu collectes des milliers d'articles de presse. Tu veux savoir quelles entreprises sont citées, par qui, et dans quel pays. Lire les articles un par un prendrait des semaines. Avec le NER, tu extrais automatiquement la liste des personnes, des organisations et des lieux en quelques secondes, et tu peux ensuite compter, croiser, cartographier.

Le NER est partout, souvent sans que tu le remarques. Les moteurs de recherche l'utilisent pour indexer des faits et répondre à des questions du type « qui a fondé telle entreprise ». Les outils de veille s'en servent pour détecter les mentions d'une marque dans la presse et sur les réseaux. Les assistants vocaux le mobilisent pour comprendre « réserve un vol pour Paris ». Et les banques ou les hôpitaux l'appliquent pour anonymiser automatiquement des documents sensibles en masquant noms et lieux.

Ce qui rend le NER si utile, c'est qu'il transforme du texte libre — difficile à exploiter — en données structurées, faciles à compter et à croiser. Une fois que tu sais extraire des entités, un océan de cas d'usage s'ouvre à toi, bien au-delà du simple « analyser un texte ».

Pourquoi spaCy plutôt qu'un autre outil ? Parce que spaCy est pensé pour la production : il est rapide, robuste, et son pipeline regroupe tout ce qu'il faut — tokenisation, étiquetage grammatical, lemmatisation et reconnaissance d'entités — derrière une API simple et cohérente. Là où d'autres bibliothèques te demandent de bricoler des assemblages, spaCy te donne un objet unique, le Doc, qui contient toutes les annotations. Une fois que tu sais charger un modèle et parcourir cet objet, tu sais déjà faire 80 % du travail.

Comprendre le pipeline de spaCy

Avant de coder, un peu de vocabulaire. Un pipeline, en traitement du langage, est une succession d'étapes qui transforment un texte brut en un document annoté. Quand tu appelles nlp(texte), spaCy exécute ces étapes dans l'ordre :

1. La tokenisation : le texte est découpé en tokens, c'est-à-dire en mots, signes de ponctuation et nombres.
2. Le tagger : chaque token reçoit une étiquette grammaticale fine (verbe, nom, déterminant...).
3. Le parser : spaCy analyse la structure de la phrase et les relations de dépendance entre les mots.
4. Le NER : enfin, les groupes de tokens qui forment des entités nommées sont détectés et étiquetés.

Chaque étape s'appuie sur la précédente : une tokenisation approximative fausserait tout le reste. La bonne nouvelle, c'est que tu n'as pas à te soucier de cette mécanique interne. Tu charges un modèle, tu lances nlp(), et le Doc que tu récupères contient déjà toutes les annotations.

Prérequis : installer spaCy et le modèle français

On commence par installer le paquet Python, puis on télécharge un modèle de langue. Un modèle, c'est un ensemble de poids pré-entraînés : il contient le vocabulaire, les règles et les statistiques qui permettent d'étiqueter le texte. Pour le français, spaCy propose des modèles de plusieurs tailles, du plus léger au plus complet.

# Installation du paquet
pip install spacy

# Téléchargement du modèle français « small » (léger et rapide)
python -m spacy download fr_core_news_sm

• fr_core_news_sm : le modèle léger (small), rapide, parfait pour débuter et pour du prototypage.
• fr_core_news_md : le modèle medium, avec des vecteurs de mots, utile pour la similarité sémantique.
• fr_core_news_lg : le modèle large, plus précis mais plus lent et plus gourmand en mémoire.

Pour ce tutoriel, le modèle « sm » suffit largement : il est rapide et contient déjà le NER. Si tu utilises un environnement virtuel, pense à l'activer avant d'installer, histoire de ne pas polluer ton Python système.

Charger le pipeline et analyser un premier texte

Charger le modèle et analyser un texte tient en deux lignes. L'objet renvoyé par nlp() s'appelle un Doc : c'est ton texte annoté, une séquence de tokens enrichis de toutes les informations du pipeline.

import spacy

# On charge le modèle français une seule fois (opération un peu coûteuse)
nlp = spacy.load("fr_core_news_sm")

texte = "Emmanuel Macron et Ursula von der Leyen se sont rencontrés à Bruxelles, au siège de la Commission européenne."

# La ligne qui fait tout : elle traverse le pipeline complet
doc = nlp(texte)

Le chargement du modèle est l'opération la plus lente du script : fais-le une seule fois, idéalement au démarrage, puis réutilise l'objet nlp pour tous tes textes. C'est un réflexe important dès que tu traites de gros volumes.

Tokeniser et étiqueter chaque mot

Chaque mot du Doc est un Token, un objet qui expose sa nature grammaticale et sa forme de base. C'est la brique élémentaire sur laquelle tout le reste se construit. On commence par regarder ce que spaCy a trouvé :

for token in doc:
    print(f"{token.text:26} -> {token.pos_:8} | lemme : {token.lemma_}")

La propriété pos_ donne la catégorie grammaticale du mot. Voici les étiquettes que tu croiseras le plus souvent :

• PROPN : un nom propre (Emmanuel, Macron, Bruxelles...).
• VERB : un verbe (rencontrer, être, avoir...).
• AUX : un auxiliaire (être, avoir utilisés comme auxiliaires).
• NOUN : un nom commun (siège, commission...).
• ADP : une préposition (à, de, dans...).
• DET : un déterminant (le, la, un, une...).
• ADJ : un adjectif, et PRON : un pronom.

Remarque la distinction entre nom propre et nom commun : c'est précisément le signal qui aide spaCy à reconnaître les entités un peu plus loin. Le lemme, lui, est la forme canonique du mot — « rencontrés » devient « rencontrer », « sont » devient « être ». C'est précieux pour normaliser du texte avant de faire des statistiques : compter des occurrences de « être » sans distinguer « suis », « est », « sont » et « étaient », par exemple.

Repérer les entités nommées

Le clou du spectacle : la reconnaissance d'entités nommées. Chaque entité détectée est exposée dans doc.ents, avec son texte et son étiquette. On itère et on affiche :

for ent in doc.ents:
    print(f"{ent.text:26} -> {ent.label_}  ({spacy.explain(ent.label_)})")

Le résultat, pour notre phrase, ressemble à ceci : « Emmanuel Macron » est détecté comme PERSON, « Ursula von der Leyen » comme PERSON, « Bruxelles » comme GPE (une entité géopolitique, c'est-à-dire un pays ou une ville) et « la Commission européenne » comme ORG (une organisation). Le modèle a compris, sans qu'on lui donne aucune règle, que ces groupes de mots désignent des choses nommables.

Derrière cette apparente simplicité, le modèle combine deux types de signaux : des indices internes au mot (une majuscule, une position dans la phrase) et le contexte (le mot qui précède, le mot qui suit). C'est ce mélange qui lui permet de distinguer « Apple » l'entreprise de « apple » le fruit, selon la phrase.

Traduire les étiquettes avec spacy.explain()

spacy.explain() traduit chaque étiquette en clair. C'est l'outil de secours à garder sous la main quand tu tombes sur un code inconnu. Voici les étiquettes les plus courantes du modèle français :