spaCy admite bien, de manera modular, todos los niveles bajos de análisis de texto, facilitando la adición de soporte para nuevos idiomas.

Spacy se utiliza básicamente para tareas de Procesamiento de Lenguaje Natural (NLP) en Aprendizaje Automático. Podemos optimizar nuestras tareas con esta biblioteca en Python utilizando modelos preentrenados de etiquetado de Partes del Discurso (PoS), Resumen de Texto y para el modelo de Reconocimiento de Entidades Nombradas (NER). También tiene la capacidad de realizar tokenización, en la cual las oraciones pueden dividirse en palabras y signos de puntuación. En resumen, es una biblioteca muy útil de Python para usar en tareas de NLP en múltiples dominios.

SpaCy sigue siendo de código abierto y accesible al público incluso con los algoritmos más modernos. El reconocimiento de entidades nombradas moderno funciona perfectamente y etiqueta las palabras en sus partes del discurso correctas de manera rápida y precisa. Más de veinte idiomas se pueden utilizar con su extensa biblioteca.