使用RegEx解析街道地址

Question

我知道这个话题有很多问题。我正在尝试从html页面中解析和获取街道地址。这些页面的格式不遵循任何模式。谁能帮我想出一个能匹配街道地址的regex，不管它们之间有多少标签？除了使用正则表达式之外，还有没有其他方法可以做到这一点？

Answer 1

我在SmartyStreets工作过，对这个问题很了解，我可以告诉你。"没有"来解析用regex查找街道地址。.

地址不是一种常规语言，而且 不能 通过正则表达式进行匹配。

为了解决这个问题，我们开发了 一个实际寻找和提取地址的API准确率非常高。小批量使用是免费的。(它是 不 一个容易解决的问题）。) 你可以在主页演示中免费试用。不，这不是一个招标。如果你想了解更多关于街道地址的任何数量的细节，从非常基本的到非常技术性的，就给我们发邮件吧，因为我们想教育社区关于地址的知识。

为了提取地址，下面有正则表达式，但结果强烈地偏向于那些真正的地址。验证，意思是实际存在的。换句话说，这是一个解析器，执行复杂的操作来寻找和匹配地址。

这个问题的答案非常相似 是相关的，你可能会发现它很有用。其他答案重点介绍了一些重要的点，关于解析街道地址的难点和解决方案...

Answer 2

在你变得很传统之前，让我分享一下我的经验。我在Java中用这种方式解析了100多万个网页。当我需要从一个网页中取出小片段时，如果配合替换来剥离标签，那就完美了。事实上，它的效率更高，速度更快，尤其是使用Java伟大的replaceAll()函数来剥离标签的时候。把两者建立一个fork join池，然后测试一些解析，你一定不会相信自己的眼睛。我在最后加上了这部分。这不是完整的regex，而是一个起点，因为需要一些试错来构建。我相信当时的说法是，一堆页面，没有明确的地址路线。

所以，是的，方法是有的。下面介绍一下用regex来思考这个问题。

词和词组总是有模式的，否则就读不懂。不过，还是要注意几个问题。地址可以非常大，所以继续建立出一个regex很重要。接下来的事情，如果你能接触到CAS引擎，就用它来处理你得到的任何东西。它可以使你的地址标准化。

作为必须的，你有没有试过xml，它会缩小一切，可以帮助你在格式化之前摆脱标签。你需要缩小一切。如果你使用java或python，在ForkJoinPool或MultiprocessingPool中运行这一步。

你的过程应该是

1. 如果可能的话，缩小范围
2. 执行一个利用格式化的regex。

最后，这里是一个 regex小抄。

请记住。我不知道你使用的是什么网站或他们的格式。我个人不得不用不同的每个网站的regex来提取这些数据，但那是针对奇怪的格式和其他网站存在的问题，这些网站像数据库一样运行着各种各样的数据。

也就是说，一个地址的格式是数字，然后是街道地址和几乎任何东西的公寓号，然后是城市，州，然后是邮政编码。基本上就是\d+然后字母和数字的任意组合。

所以（在java中用双反斜杠）开始你的工作。

[\\d]+[A-Za-z0-9\\s,\\.]+

如果你想从标签开始，但排除标签来缩小搜索范围，如果不使用xml，就使用：

(?<=start)[\\d]+[A-Za-z0-9\\s,\\.]+?(?=end)

Html页面似乎总是有标签，所以这将是类似于：

(?<=>)[\\d]+[A-Za-z0-9\\s,\\.]+?(?=<) 

如果有一个多部分的邮编，你可以使用一个邮编作为你的结束位置。

[\\d]+[A-Za-z0-9\\s,\\.]+?[\\d\\-]+

最后一点，你可以用管道分隔符将重构词串联起来，例如:

(?<=start)[\\d]+[A-Za-z0-9\\s,\\.]+?[\\d\\-]+|(?<=start)[A-Za-z0-9\\s,\\.]+?(?=end)

如果这还不够窄，还有几个额外的步骤。

1. 比较你的结果(平均字长等)，并抛出任何伟大的异常值。
2. 每个网站写一个formatter脚本来做清理，使用单线程或多线程来替换你不需要的东西。

你可能也需要把html剥离出来。在replace语句中运行这个regex就可以做到这一点。

<.*?>

如果你有问题，可以使用类似 我的regex测试器 (网站不是我自己的)来建立你的regex。