使用 RE 从字符串中提取不同格式的街道地址 - Python

Question

我有不同格式的街道地址字符串。我试过这个旧的 post，但没有太大帮助。我的字符串格式如下，

格式 1：

string_1 = ', landlord and tenant entered into a an agreement with respect to approximately 5,569 square feet of space in the building known as "the company" located at 788 e.7th street, st. louis, missouri 55605 ( capitalized terms used herein and not otherwise defined herein shall have the respective meanings given to them in the agreement); whereas, the term of the agreement expires on may 30, 2015;'

期望的输出：

788 e.7th street, st. louis, missouri 55605

格式 2：

string_2 = 'first floor 824 6th avenue, chicago, il where the office is located'

期望的输出：

824 6th avenue, chicago, il

格式 3：

string_3 = 'whose address is 90 south seventh street, suite 5400, dubuque, iowa, 55402.'

期望的输出：

90 south seventh street, suite 5400, dubuque, iowa, 55402

到目前为止，我已经尝试过了，这个用于 string_1，

address_match_1 = re.findall(r'((\d*)\s+(\d{1,2})(th|nd|rd).*\s([a-z]))', string_1)

我得到一个空列表。

对于第二个字符串，我尝试了同样的方法，得到的空列表如下，

address_match_2 = re.findall(r'((\d*)\s+(\d{1,2})(th|nd|rd).*\s([a-z]))', string_2)

如何尝试使用 re 进行匹配？它们都是不同的格式，我如何才能参与string_3？任何帮助将不胜感激。

Answer 1

解决方案

此正则表达式匹配问题中的所有地址：

(?i)\d+ ((?! \d+ ).)*(missouri|il|iowa)(, \d{5}| \d{5}|\b)

您需要添加所有州及其缩写，以及更好匹配的邮政编码，如果 google 就可以找到。此外，这仅适用于美国地址。

这是每个给定字符串的输出：

>>> m = re.findall(r"((?i)\d+ ((?! \d+ ).)*(missouri|il|iowa)(, \d{5}| \d{5}|\b))", string_1)
>>> print m
[('788 e.7th street, st. louis, missouri 55605', ' ', 'missouri', ' 55605')]
>>> m = re.findall(r"((?i)\d+ ((?! \d+ ).)*(missouri|il|iowa)(, \d{5}| \d{5}|\b))", string_2)
>>> print m
[('824 6th avenue, chicago, il', ' ', 'il', '')]
>>> m = re.findall(r"((?i)\d+ ((?! \d+ ).)*(missouri|il|iowa)(, \d{5}| \d{5}|\b))", string_3)
>>> print m
[('90 south seventh street, suite 5400, dubuque, iowa, 55402', ' ', 'iowa', ', 55402')]
>>>

每个元组的第一个值都有正确的地址。但是，这可能不是您所需要的（请参阅下面的弱点）。

详情

假设：

地址以 space
地址以州或其缩写结尾，可以选择后跟 5 位邮政编码
地址的其余部分在上面两部分之间。这部分不包含任何被 spaces 包围的数字（即没有“\d+”）。

正则表达式字符串：

r"((?i)\d+ ((?! \d+ ).)*(missouri|il|iowa)(, \d{5}| \d{5}|\b))"

r"" 使字符串成为原始字符串以避免转义特殊字符

(?i) 使正则表达式不区分大小写

\d+ 地址以数字开头，后跟 space

(missouri|il|iowa)(, \d{5}| \d{5}|\b)) 地址以州结尾，可选后跟邮政编码。 \b 就是 'end of word'，这使得邮政编码成为可选的。

((?! \d+ ).)* 除了被 space 包围的数字之外的任何字符组。有关其工作原理的说明，请参阅 this article。

弱点

正则表达式用于匹配模式，但与它们可能所在的字符串的其余部分相比，所显示的地址没有太多模式。这是我确定的模式，我基于解决方案在：

地址以 space
地址以州或其缩写结尾，可以选择后跟 5 位邮政编码
地址的其余部分在上面两部分之间。这部分不包含任何被 spaces 包围的数字（即没有“\d+”）。

任何违反这些假设的地址都不会被正确匹配。例如：

以字母数字开头的地址，例如：102A 或 3B。
数字介于初始数字和州之间的地址，例如包含“7 街”而不是“7 街”的地址。

其中一些弱点可以通过对正则表达式进行简单的更改来修复，但有些可能更难修复。

使用 RE 从字符串中提取不同格式的街道地址 - Python

Extract different formats street address from a string using RE - Python

regex

string

python-3.5