Melhor maneira de dividir uma linha de endereço em dois campos

Question

Estamos desenvolvendo um aplicativo # c que as importações endereço de-dados em um CRM-sistema. O arquivo CSV contém um endereço de coluna como 'Somethingstreet 34'. Nosso CRM no entanto usa dois campos diferentes para o nome da rua eo housenumber . Claro que, no exemplo dado este não representa qualquer problema. Mas o nosso sistema de endereçamento holandês pode ser um pouco de dor.

exemplos do mundo real:

• Somestreet 88a (onde 'Somestreet' é o nome da rua e 88a o housenumber)
• 2e van 123a Blankenburgstraat (onde '2e van Blankenburgstraat' é o nome da rua, e '123a' é o housenumber)
• 2e van Blankenburgstraat 123-A (onde '2e van Blankenburgstraat' é o nome da rua, e '123-A' é o housenumber)
• 2e van Blankenburgstraat 123-A (onde '2e van Blankenburgstraat' é o nome da rua, e '123 a' é a housenumber)

Agora eu estou olhando para uma função agradável (RegEx ou algo assim) que divide esses addresslines corretamente em dois campos. Existe uma maneira limpa agradável de fazer isso?

---

Editar:

Eu fiz alguma investigação adicional em nosso sistema de endereçamento e parece (obrigado governo) que os exemplos acima não são mesmo os 'piores ones'.

Alguns mais (estes são ruas reais e números):

• Rivium 1e Straat 53 / ET6 (onde 'Rivium 1e Straat' é a rua e '53 / ET6' é o housenumber)
• Plein 1940-1945 34 (onde 'Plein 1940-1945' é a rua e '34' é o housenumber)
• Apollo 11-Laan 11 (onde 'Apollo 11-Laan' é a rua e '11' (o segundo) é o housenumber)
• Carta 77 Vaart 159 3H (onde 'Carta 77 Vaart' é o nome da rua e '159 3H' é o housenumber)
• Carta 77 Vaart 44/2 (onde 'Carta 77 Vaart' é o nome da rua e '44 / 2' é a housenumber)

Answer 1

A melhor solução para correção de dados seria a de comparar o banco de dados existente contra uma api endereço conhecido que tem uma função para fazer isso por você. Caso contrário, você está apenas dando o seu melhor palpite e alguns, se não todos, os dados devem ser revistos manualmente.

Answer 2

O que eu fiz, mas eu duvido que é a solução mais alto desempenho é para reverter o endereço e, em seguida, começar a primeira parte até encontrar um dígito e levá-los todos. ou seja, o .*\d+ regex no endereço inversa. Isto resolve o problema quando uma rua contém um dígito.

Answer 3

Você pode fazer algo que você dividir em espaços e, em seguida, verifique se o primeiro caractere de uma string interior é um inteiro?

como

 char[] splits = new char[1];
 splits[0] = ' ';
 string[] split = addressLine.split(splits);
 int splitLoc = -1, i;
 for (i =1; i < split.Length; i++){//start at 1 to avoid the first '2e' streets
     int theFirstDigit = -1;
     try{
        theFirstDigit = int.Parse(split[i].Substring(0,1));
     }catch {
        //ignore; parse fails with an exception
     }
     if (theFirstDigit != -1){
         splitLoc = i;
         break;
     }
 }
 if (splitLoc < 0) return; //busted
 string field1, field2;
 for (i = 0; i < splitLoc; i++){
     field1+= split[i] + " ";
 }

 for (i = splitLoc; i < split.Length; i++){
     field2+= split[i] + " ";
 }

Depende do que você quer dizer com 'clean', mas ele parece que iria trabalhar, se todos os endereços podem ser formados da maneira especificada.

Answer 4

Existem muitas maneiras diferentes que alguém poderia entrar esses dados. Muitas vezes eu escrever o meu endereço como:

123 Foo Rua Apt # 3

ou seja, com os números das casas e apartamentos em cada extremidade do nome da rua

Se este era o meu problema eu iria escrever um regex que manipula o "fáceis" queridos e bandeiras as mais complicadas para revisão humana.

Você pode encontrar uma lista de nomes de rua nos EUA do Departamento do Censo, mas é enterrado dentro de um monstro arquivo de dados