使用 RE - Python 从字符串中提取不同格式的街道地址

Question

我有不同格式的街道地址字符串。我试过这个旧的post，但没有多大帮助。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;'

想要的输出：

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'

想要的输出：

824 6th avenue, chicago, il

格式 3：

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

想要的输出：

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

到目前为止，我试过了，这是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，我尝试了相同的方法并得到如下的空列表，

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，我怎样才能让套件参与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，以及更匹配的邮政编码，您可以通过 google 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：

• 地址以空格开头的数字
• 地址以州或其缩写结尾，可以选择后跟 5 位邮政编码
• 地址的其余部分位于上述两部分之间。这部分不包含任何被空格包围的数字（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"" 将字符串设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，后跟一个空格

(missouri|il|iowa)(, \d{5}| \d{5}|\b)) 地址以状态结尾，可选地后跟邮政编码。 \b 只是“词尾”，这使得邮政编码是可选的。

((?! \d+ ).)* 任何字符组，除了被空格包围的数字。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，显示的地址没有太多模式。这是我确定的模式，也是我基于以下解决方案的模式：

• 地址以空格开头的数字
• 地址以州或其缩写结尾，可以选择后跟 5 位邮政编码
• 地址的其余部分位于上述两部分之间。这部分不包含任何被空格包围的数字（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：

• 以带字母的数字开头的地址，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 street”而不是“7th street”的地址。

其中一些弱点可以通过对正则表达式的简单更改来修复，但有些可能更难以修复。