从字符串中解析可用的街道地址、城市、州、邮政编码[关闭]

Question

问题：我有一个来自 Access 数据库的地址字段，该数据库已转换为 Sql Server 2005。这个领域什么都集中在一个领域。我需要将地址的各个部分解析到规范化表中的相应字段中。我需要对大约 4,000 条记录执行此操作，并且需要可重复。

假设：

1. 假设地址在美国（目前）

2. 假设输入字符串有时包含收件人（被寻址的人）和/或第二个街道地址（即套房B）

3. 状态可以缩写

4. 邮政编码可以是标准的 5 位数字或 zip+4

5. 在某些情况下存在拼写错误

更新：针对提出的问题，标准并未得到普遍遵循，我需要存储各个值，而不仅仅是地理编码，错误意味着拼写错误（上面已更正）

样本数据：

• A。P。克罗尔父子公司 2299 Lewes-Georgetown Hwy, 乔治敦, DE 19947

• 11522 Shawnee 路, 格林伍德 DE 19950

• 西南国王公路 144 号多佛, DE 19901

• 综合常数服务 2 Penns Way Suite 405 New Castle, DE 19720

• Humes Realty 33 Bridle Ridge Court, 刘易斯, DE 19958

• 尼科尔斯挖掘 2742 Pulaski Hwy 纽瓦克, DE 19711

• 2284 Bryn Zion Road, 士麦那, DE 19904

• VEI Dover Crossroads, LLC 1500 Serpentine Road, Suite 100 Baltimore MD 21

• 北杜邦公路 580 号 多佛, DE 19901

• 邮政信箱邮政信箱 778 多佛，DE 19903

Answer 1

我在这种解析方面做了很多工作。因为存在错误，所以您无法获得 100% 的准确度，但您可以采取一些措施来获得大部分准确度，然后进行视觉 BS 测试。这是一般的方法。它不是代码，因为编写它非常学术，没有什么奇怪的，只是大量的字符串处理。

（现在您已经发布了一些示例数据，我做了一些细微的更改）

1. 向后工作。从接近末尾的邮政编码开始，采用两种已知格式之一：XXXXX 或 XXXXX-XXXX。如果没有出现，您可以假设您位于下面的城市、州部分。
2. 接下来，在 zip 之前，将是状态，它可以是两个字母的格式，也可以是单词。你也知道这些是什么——只有 50 个。此外，您还可以对单词进行发音以帮助弥补拼写错误。
3. 在那之前是城市，它是 大概 与国家处于同一战线。你可以使用 邮政编码数据库 根据邮政编码检查城市和州，或者至少将其用作 BS 探测器。
4. 街道地址通常是一两行。第二行通常是套房号码（如果有的话），但也可能是邮政信箱。
5. 几乎不可能在第一行或第二行检测到名称，但如果它没有以数字为前缀（或者如果它以“attn：”或“注意：”为前缀，它可能会给你一个提示：是名称还是地址行。

我希望这会有所帮助。

Answer 2

我认为将问题外包是最好的选择：将其发送到 Google（或 Yahoo）地理编码器。地理编码器不仅返回纬度/经度（此处不感兴趣），还返回丰富的地址解析，并填写您未发送的字段（包括 ZIP+4 和县）。

例如，解析“1600 Amphitheatre Parkway, Mountain View, CA”会产生

{
  "name": "1600 Amphitheatre Parkway, Mountain View, CA, USA",
  "Status": {
    "code": 200,
    "request": "geocode"
  },
  "Placemark": [
    {
      "address": "1600 Amphitheatre Pkwy, Mountain View, CA 94043, USA",
      "AddressDetails": {
        "Country": {
          "CountryNameCode": "US",
          "AdministrativeArea": {
            "AdministrativeAreaName": "CA",
            "SubAdministrativeArea": {
              "SubAdministrativeAreaName": "Santa Clara",
              "Locality": {
                "LocalityName": "Mountain View",
                "Thoroughfare": {
                  "ThoroughfareName": "1600 Amphitheatre Pkwy"
                },
                "PostalCode": {
                  "PostalCodeNumber": "94043"
                }
              }
            }
          }
        },
        "Accuracy": 8
      },
      "Point": {
        "coordinates": [-122.083739, 37.423021, 0]
      }
    }
  ]
}

现在 那是 可解析！

Answer 3

最初的发布者可能早已转移，但我尝试了移植 Perl 地理::街道地址:美国 使用的模块 美国地理编码器 到 C#，将其转储到 CodePlex 上，并认为将来遇到这个问题的人可能会发现它有用：

美国地址解析器

在该项目的主页上，我尝试谈论它的（非常真实的）局限性。由于它不受有效街道地址的 USPS 数据库的支持，因此解析可能不明确，并且无法确认或否认给定地址的有效性。它可以尝试从字符串中提取数据。

它适用于以下情况：您需要在正确的字段中获取一组数据，或者想要提供数据输入的快捷方式（让用户将地址粘贴到文本框中，而不是在多个字段之间切换）。这是 不是 用于验证地址的可送达性。

它不会尝试解析街道线以上的任何内容，但人们可能可以通过正则表达式来获得相当接近的东西——我可能只是在门牌号处将其断开。

Answer 4

我过去曾经这样做过。

要么手动执行（构建一个漂亮的图形用户界面，帮助用户快速执行），要么自动执行并检查最近的地址数据库（您必须购买该数据库）并手动处理错误。

每次手动处理大约需要 10 秒，这意味着您每小时可以处理 3600/10 = 360 次，因此 4000 次大约需要 11-12 小时。这将为您提供很高的准确率。

对于自动化，您 需要 最近的美国地址数据库，并根据该数据库调整您的规则。我建议不要迷恋正则表达式（很难长期维护，有很多例外）。与数据库进行 90% 的匹配，剩下的手动完成。

请在以下地址获取邮政地址标准 (USPS) 的副本： http://pe.usps.gov/cpim/ftp/pubs/Pub28/pub28.pdf 请注意，它有 130 多页长。用正则表达式来实现这一点是很疯狂的。

对于国际地址，一切皆有可能。美国工作人员将无法验证。

或者，使用数据服务。但是，我没有任何建议。

此外：当您确实寄出邮件中的内容时（这就是它的用途，对吧？），请确保在信封上写上“地址更正请求”（在正确的位置）并且 更新 数据库。（我们为前台人员制作了一个简单的 GUI 来做到这一点；实际整理邮件的人）

最后，清理数据后，查找重复项。

Answer 5

根据这里的建议，我在 VB 中设计了以下函数，它创建了还可以的但并不总是完美的（如果给出公司名称和套房系列，它结合了套房和城市）可用数据。请随意评论/重构/对我大喊大叫，因为我违反了我自己的规则之一等：

Public Function parseAddress(ByVal input As String) As Collection
    input = input.Replace(",", "")
    input = input.Replace("  ", " ")
    Dim splitString() As String = Split(input)
    Dim streetMarker() As String = New String() {"street", "st", "st.", "avenue", "ave", "ave.", "blvd", "blvd.", "highway", "hwy", "hwy.", "box", "road", "rd", "rd.", "lane", "ln", "ln.", "circle", "circ", "circ.", "court", "ct", "ct."}
    Dim address1 As String
    Dim address2 As String = ""
    Dim city As String
    Dim state As String
    Dim zip As String
    Dim streetMarkerIndex As Integer

    zip = splitString(splitString.Length - 1).ToString()
    state = splitString(splitString.Length - 2).ToString()
    streetMarkerIndex = getLastIndexOf(splitString, streetMarker) + 1
    Dim sb As New StringBuilder

    For counter As Integer = streetMarkerIndex To splitString.Length - 3
        sb.Append(splitString(counter) + " ")
    Next counter
    city = RTrim(sb.ToString())
    Dim addressIndex As Integer = 0

    For counter As Integer = 0 To streetMarkerIndex
        If IsNumeric(splitString(counter)) _
            Or splitString(counter).ToString.ToLower = "po" _
            Or splitString(counter).ToString().ToLower().Replace(".", "") = "po" Then
                addressIndex = counter
            Exit For
        End If
    Next counter

    sb = New StringBuilder
    For counter As Integer = addressIndex To streetMarkerIndex - 1
        sb.Append(splitString(counter) + " ")
    Next counter

    address1 = RTrim(sb.ToString())

    sb = New StringBuilder

    If addressIndex = 0 Then
        If splitString(splitString.Length - 2).ToString() <> splitString(streetMarkerIndex + 1) Then
            For counter As Integer = streetMarkerIndex To splitString.Length - 2
                sb.Append(splitString(counter) + " ")
            Next counter
        End If
    Else
        For counter As Integer = 0 To addressIndex - 1
            sb.Append(splitString(counter) + " ")
        Next counter
    End If
    address2 = RTrim(sb.ToString())

    Dim output As New Collection
    output.Add(address1, "Address1")
    output.Add(address2, "Address2")
    output.Add(city, "City")
    output.Add(state, "State")
    output.Add(zip, "Zip")
    Return output
End Function

Private Function getLastIndexOf(ByVal sArray As String(), ByVal checkArray As String()) As Integer
    Dim sourceIndex As Integer = 0
    Dim outputIndex As Integer = 0
    For Each item As String In checkArray
        For Each source As String In sArray
            If source.ToLower = item.ToLower Then
                outputIndex = sourceIndex
                If item.ToLower = "box" Then
                    outputIndex = outputIndex + 1
                End If
            End If
            sourceIndex = sourceIndex + 1
        Next
        sourceIndex = 0
    Next
    Return outputIndex
End Function

通过 parseAddress 函数“A.P。Croll & Son 2299 Lewes-Georgetown Hwy, Georgetown, DE 19947”返回：

2299 Lewes-Georgetown Hwy
A. P. Croll & Son  
Georgetown
DE
19947

Answer 6

我在地址处理领域工作了大约 5 年，确实没有什么灵丹妙药。正确的解决方案将取决于数据的价值。如果它不是很有价值，请按照其他答案的建议将其通过解析器。如果它甚至有点有价值，您肯定需要人工评估/纠正解析器的所有结果。如果您正在寻找完全自动化、可重复的解决方案，您可能需要与 Group1 或 Trillium 等地址更正供应商联系。

Answer 7

SmartyStreets 有一项新功能，可以从任意输入字符串中提取地址。（笔记：我不在 SmartyStreets 工作。）

它成功地从上述问题中给出的示例输入中提取了所有地址。（顺便说一下，这 10 个地址中只有 9 个是有效的。）

这是一些输出：

以下是同一请求的 CSV 格式输出：

ID,Start,End,Segment,Verified,Candidate,Firm,FirstLine,SecondLine,LastLine,City,State,ZIPCode,County,DpvFootnotes,DeliveryPointBarcode,Active,Vacant,CMRA,MatchCode,Latitude,Longitude,Precision,RDI,RecordType,BuildingDefaultIndicator,CongressionalDistrict,Footnotes
1,32,79,"2299 Lewes-Georgetown Hwy, Georgetown, DE 19947",N,,,,,,,,,,,,,,,,,,,,,,
2,81,119,"11522 Shawnee Road, Greenwood DE 19950",Y,0,,11522 Shawnee Rd,,Greenwood DE 19950-5209,Greenwood,DE,19950,Sussex,AABB,199505209226,Y,N,N,Y,38.82865,-75.54907,Zip9,Residential,S,,AL,N#
3,121,160,"144 Kings Highway, S.W. Dover, DE 19901",Y,0,,144 Kings Hwy,,Dover DE 19901-7308,Dover,DE,19901,Kent,AABB,199017308444,Y,N,N,Y,39.16081,-75.52377,Zip9,Commercial,S,,AL,L#
4,190,232,"2 Penns Way Suite 405 New Castle, DE 19720",Y,0,,2 Penns Way Ste 405,,New Castle DE 19720-2407,New Castle,DE,19720,New Castle,AABB,197202407053,Y,N,N,Y,39.68332,-75.61043,Zip9,Commercial,H,,AL,N#
5,247,285,"33 Bridle Ridge Court, Lewes, DE 19958",Y,0,,33 Bridle Ridge Cir,,Lewes DE 19958-8961,Lewes,DE,19958,Sussex,AABB,199588961338,Y,N,N,Y,38.72749,-75.17055,Zip7,Residential,S,,AL,L#
6,306,339,"2742 Pulaski Hwy Newark, DE 19711",Y,0,,2742 Pulaski Hwy,,Newark DE 19702-3911,Newark,DE,19702,New Castle,AABB,197023911421,Y,N,N,Y,39.60328,-75.75869,Zip9,Commercial,S,,AL,A#
7,341,378,"2284 Bryn Zion Road, Smyrna, DE 19904",Y,0,,2284 Bryn Zion Rd,,Smyrna DE 19977-3895,Smyrna,DE,19977,Kent,AABB,199773895840,Y,N,N,Y,39.23937,-75.64065,Zip7,Residential,S,,AL,A#N#
8,406,450,"1500 Serpentine Road, Suite 100 Baltimore MD",Y,0,,1500 Serpentine Rd Ste 100,,Baltimore MD 21209-2034,Baltimore,MD,21209,Baltimore,AABB,212092034250,Y,N,N,Y,39.38194,-76.65856,Zip9,Commercial,H,,03,N#
9,455,495,"580 North Dupont Highway Dover, DE 19901",Y,0,,580 N DuPont Hwy,,Dover DE 19901-3961,Dover,DE,19901,Kent,AABB,199013961803,Y,N,N,Y,39.17576,-75.5241,Zip9,Commercial,S,,AL,N#
10,497,525,"P.O. Box 778 Dover, DE 19903",Y,0,,PO Box 778,,Dover DE 19903-0778,Dover,DE,19903,Kent,AABB,199030778781,Y,N,N,Y,39.20946,-75.57012,Zip5,Residential,P,,AL,

我是最初编写该服务的开发人员。我们实现的算法与此处的任何具体答案略有不同，但每个提取的地址都会根据地址查找 API 进行验证，因此您可以确定它是否有效。每个经过验证的结果都是有保证的，但我们知道其他结果不会是完美的，因为正如已经做出的那样 非常清楚 在这个线程中，地址是不可预测的，有时甚至对于人类来说也是如此。

Answer 8

这不会解决您的问题，但是如果您只需要这些地址的LAT/长数据，则Google Maps API将很好地解析非格式地址。

很好的建议，或者您可以对每个地址向 Google 地图执行 CURL 请求，它将返回格式正确的地址。由此，您可以随心所欲地进行正则表达式。

Answer 9

詹姆斯·A +1罗森建议的解决方案对我来说效果很好，但是对于完美主义者来说，这个网站是一个令人着迷的阅读场所，也是我在记录全球地址方面所见过的最佳尝试： http://www.columbia.edu/kermit/postal.html

Answer 10

地址记录方式有任何标准吗？例如：

1. 是否总是有逗号或换行符将 street1 和 street2、city、state 和 zip 分开？
2. 地址类型（道路、街道、林荫大道等）是否总是拼写出来？总是缩写？各有一些？
3. 定义“错误”。

我的一般答案是一系列正则表达式，尽管其复杂性取决于答案。如果根本没有一致性，那么您可能只能使用正则表达式取得部分成功（即：过滤掉邮政编码和州），并且必须手动完成其余部分（或者至少非常仔细地检查其余部分以确保发现错误）。

Answer 11

另一个样本数据请求。

正如已经提到的，我将从 zip 开始向后工作。

一旦你有了 zip，我就会查询 zip 数据库，存储结果，然后从字符串中删除它们和 zip。

这会让你的地址变得混乱。大多数（全部？）地址将以数字开头，因此找到剩余字符串中第一次出现的数字，并抓取从它到字符串（新）末尾的所有内容。那将是您的地址。该号码左侧的任何内容都可能是收件人。

现在，您应该将城市、州和邮政编码存储在表中，并且可能还存储了两个字符串：收件人和地址。对于地址，请检查存在“套件”或“ APT”的存在。 ETC。并将其分成两个值（地址线 1 和 2）。

对于收件人，我会平底船并抓住该字符串的最后一个单词作为姓氏，并将其余部分放入名字字段中。如果您不想这样做，则需要在开头检查称呼（先生、女士、博士等），并根据空格数对名称的含义做出一些假设捏造。

我认为没有任何方法可以 100% 准确地进行解析。

Answer 12

尝试 www.address-parser.com. 。我们使用他们的网络服务，您可以在线测试

Answer 13

根据样本数据：

1. 我将从字符串的末尾开始。解析邮政编码（任一格式）。读取末尾到第一个空格。如果没有找到邮政编码错误。

2. 然后修剪末尾的空格和特殊字符（逗号）

3. 然后转到 State，再次使用空格作为分隔符。也许可以使用查找列表来验证 2 个字母的州代码和完整的州名称。如果未找到有效状态，则出错。

4. 再次修剪末尾的空格和逗号。

5. 城市变得很棘手，我实际上会在这里使用逗号，冒着在城市中获取太多数据的风险。查找逗号或行的开头。

6. 如果字符串中仍有字符，请将所有字符都推入地址字段。

这并不完美，但它应该是一个很好的起点。

Answer 14

如果是人工输入的数据，那么您将花费太多时间尝试围绕异常进行编码。

尝试：

1. 正则表达式提取邮政编码

2. 邮政编码查找（通过适当的政府数据库）以获得正确的地址

3. 让实习生手动验证新数据与旧数据是否匹配

Answer 15

这并不能解决您的问题，但如果您只需要这些地址的纬度/经度数据，Google Maps API 将很好地解析非格式化地址。

Answer 16

RecogniContact 是一个解析美国和欧洲地址的 Windows COM 对象。你可以直接尝试一下http://www.loquisoft.com/index.php?page=8

Answer 17

你可能想看看这个！ http://jgeocoder.sourceforge.net/parser.html对我来说就像一个魅力。

Answer 18

由于数据中存在潜在的模糊性，此类问题很难解决。

这是一个基于 Perl 的解决方案，它定义了基于正则表达式的递归下降语法树，以解析许多有效的街道地址组合： http://search.cpan.org/~kimryan/Lingua-EN-AddressParse-1.20/lib/Lingua/EN/AddressParse.pm 。这包括地址中的子属性，例如：12 第一大道 N 套房 #2 某处 CA 12345 美国

它类似于 http://search.cpan.org/~timb/Geo-StreetAddress-US-1.03/US.pm 如上所述，但也适用于非美国地址，例如英国、澳大利亚和加拿大。

这是您的示例地址之一的输出。请注意，名称部分需要首先从“A.P。Croll & Son 2299 Lewes-Georgetown Hwy, Georgetown, DE 19947”，将其简化为“2299 Lewes-Georgetown Hwy, Georgetown, DE 19947”。通过删除字符串中第一个数字之前的所有数据，可以轻松实现此目的。

Non matching part       ''
Error                   '0'
Error descriptions      ''
Case all                '2299 Lewes-Georgetown Hwy Georgetown DE 19947'
COMPONENTS              ''
country                 ''
po_box_type             ''
post_box                ''
post_code               '19947'
pre_cursor              ''
property_identifier     '2299'
property_name           ''
road_box                ''
street                  'Lewes-Georgetown'
street_direction        ''
street_type             'Hwy'
sub_property_identifier ''
subcountry              'DE'
suburb                  'Georgetown'

Answer 19

由于word有可能出错，考虑使用SOUNDEX结合LCS算法来比较字符串，这会有很大帮助！

Answer 20

使用谷歌API

$d=str_replace(" ", "+", $address_url);
$completeurl ="http://maps.googleapis.com/maps/api/geocode/xml?address=".$d."&sensor=true"; 
$phpobject = simplexml_load_file($completeurl);
print_r($phpobject);

Answer 21

对于 ruby​​ 或 Rails 开发人员来说，有一个很好的 gem 可用，称为 街道地址. 。我一直在我的一个项目中使用它，它完成了我需要的工作。

我遇到的唯一问题是每当地址采用这种格式时 P. O. Box 1410 Durham, NC 27702 它返回零，因此我必须替换“P.奥。Box" 与 '' 之后它就能够解析它。

Answer 22

有些数据服务提供邮政编码，将为您提供该邮政编码中的街道名称列表。

使用正则表达式提取邮政编码或城市州 - 找到正确的一个，或者如果错误则两者都找到。从a中提取街道列表 数据源 更正城市和州，然后是街道地址。一旦获得有效的地址行 1、城市、州和邮政编码，您就可以对地址行 2..3 做出假设

Answer 23

我不知道这有多可行，但我还没有看到提到这一点，所以我想我会继续建议：

如果你严格意义上在美国...获取包含所有邮政编码、州、城市和街道的庞大数据库。现在在您的地址中查找这些内容。例如，您可以通过测试您找到的城市是否存在于您找到的州中，或者检查您找到的街道是否存在于您找到的城市中来验证您找到的内容。如果不是，John 很可能不是 John's street，而是收件人的名字......基本上，获取尽可能多的信息，并根据这些信息检查您的地址。一个极端的例子是获取 A 在美国的所有地址的列表，然后找到与您的每个地址最相关的匹配项......

Answer 24

有 perl Geo::StreetAddress::US 包的 javascript 端口： https://github.com/hassansin/parse-address 。它基于正则表达式并且运行得相当好。