用途：spaCy 定位为“工业级”NLP 工具，强调为每类任务提供单一最优算法，适合生产环境的文本处理，而非学术研究型工具集。资料称 v3.8 支持 Python 3.13。
主要能力：快速的分词、词形还原与依存句法分析；命名实体识别，可抽取组织、人物、地点、日期及领域实体；基于规则的匹配与模式抽取，可用 Matcher 与 EntityRuler 结合正则和 token 属性；大规模文本流水线，可用 nlp.pipe() 批量处理并支持 GPU 加速。
使用方式：加载模型后调用，例如 nlp = spacy.load("en_core_web_sm")，再对文本调用 nlp(...) 得到 doc，通过 doc.ents 读取实体。批量处理推荐 nlp.pipe(texts, batch_size=..., disable=[...])，可禁用不需要的组件提速。可用 nlp.add_pipe("entity_ruler", before="ner") 添加自定义规则。CUDA 环境可在加载模型前调用 spacy.require_gpu()。自定义组件可用声明式 config.cfg 与 spacy train 训练。
适用场景：生产级 NLP、实体抽取、规则与统计结合的抽取、百万级文档批处理。
限制与注意：不要逐条调用 nlp(text)，应使用 nlp.pipe；不要直接修改 doc.ents 而不处理边界重叠，可用 spacy.util.filter_spans；不要在请求处理函数内重复 spacy.load，应作为全局单例加载。若模型未下载，运行 python -m spacy download en_core_web_sm。文本超过默认最大长度（1,000,000 字符）时需调整 nlp.max_length 或分块。资料未提供收费、价格与平台信息。