正则表达式拆分格式不正确的地址

Question

我正在 尝试更正地址数据，其中附加的街道地址和 city/town 信息没有 space。

识别分割点的最简单方法是查找道路类型（例如 STREET、ST.）后跟一个词，例如：

1201 WEST FRONT STREETCHESTER PA 19013-3496

然而，一些分裂发生在其他词上，例如 SOUTH。我们暂时不需要检测这些。

703 6TH STREET SOUTHTEXAS CITY TX 77590

下面的正则表达式，

(ST(?:REET)?)\.?([A-Z]{3,})

适用于大多数示例，但将匹配第二个示例中的 ST REET。 IIRC 正则表达式默认是贪婪的，所以我不明白为什么会这样。我的理解是第一个捕获组应该阻止第二个捕获组触发。我已经尝试将正则表达式重写为 (STREET|ST)\.?([A-Z]{3,})，但这并没有改变任何东西。

是否有任何重写正则表达式或编译标志的方法可以提供帮助？

解决方案

对于那些感兴趣的人，使用 Michal 的正则表达式作为起点，我使用的最终正则表达式是：

\s((?:(?!STREET|STATE)ST|STREET|LANE|LN|(?!DRIVE)DR|DRIVE|ROAD|RD|[0-9]+|(?!AVENUE)AVE|AVENUE|BOULEVARD|BLVD|HWY|HIGHWAY|WEST|EAST|(?!NORTHEAST|NORTHWEST)NORTH|(?!SOUTHEAST|SOUTHWEST)SOUTH|N\.|S\.|W\.|E\.)\.?)(?=[A-Z]{3,})

它处理 Street、Lane、Drive、Avenue、Boulevard、Highway，并根据 EPA 的 TSCA 数据在主要方向上进行拆分。

Answer 1

您可以使用模式：

( (?!STREET)ST|STREET)(?=[A-Z])

解释：

(...) - 捕获组

- maatch space 字面意思

(?!...) - 否定前瞻断言

STREET - 按字面意思匹配 STREET

ST - 按字面意思匹配 ST

| - 交替运算符

(?=...) - 正面前瞻断言

[A-Z] - 字符 class - 匹配范围 A-Z 中的字符，因此任何大写英文字符

替换模式为，因此首先捕获组（ST 或 STREET），然后是 space。

Regex demo

Answer 2

(ST(?:REET)?)\.?([A-Z]{3,}) 和 (STREET|ST)\.?([A-Z]{3,}) 都匹配单个单词 STREET 的原因是正则表达式必须匹配 整个模式，注意 . 是可选的。

由于点是可选的，正则表达式可以匹配 STREET[A-Z]{3,} 或 ST[A-Z]{3,}

第一个不能匹配单词 STREET，因为 STREET 后面应该有 3 个或更多字符，但第二个模式可以匹配 ST 和 3 个或更多字符....匹配 STREET。

您可以做的是匹配 STREET 和 3 个或更多字符，或者匹配 ST。和 3 个或更多字符不匹配单词 STREET only

(STREET|ST\.)([A-Z]{3,})

Regex demo

其他可能的选择：

1.) 仅当 REET 后面没有单词边界时才匹配 ST 并可选地匹配 REET：

\bST(?!REET\b)(?:REET)?

Regex demo

2.) 使用正则表达式 PyPy module 使用可选的非捕获组和所有格量词后跟非单词边界：

\bST(?:REET)?+\B

Regex demo

正则表达式拆分格式不正确的地址

Regex Splitting Incorrectly Formatted Addresses

python

regex

street-address

解决方案