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，其中街道地址和城市/城镇信息被附加而没有空格。

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

1201 WEST FRONT STREETCHESTER PA 19013-3496

但是，在其他单词（例如 SOUTH）上会出现一些拆分。我们暂时不需要检测这些。

703 6TH STREET SOUTHTEXAS CITY TX 77590

以下正则表达式，

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

适用于大多数示例，但在第二个示例中将匹配 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防止第二个捕获组触发。我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。

是否有任何方法可以帮助重写正则表达式或编译标志？

---

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,})

它为 EPA 的 TSCA 数据处理街道、车道、车道、大道、林荫大道、高速公路和主要方向的拆分。

Answer 1

你可以使用模式：

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

解释：

(...) - 捕获组

- 匹配空间

(?!...) - 否定前瞻断言

STREET - 匹配 STREET 字面意思

ST - 匹配 ST 字面意思

| - 交替运算符

(?=...) - 积极的前瞻断言

[A-Z] - 字符类 - 匹配范围 A-Z 中的字符，所以任何大写英文字符

替换模式为\1 ，因此首先捕获组（ST 或STREET）后跟空格。

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，并注意. 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,}

第一个模式不能只匹配单词 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。以及 3 个或更多字符与单词 STREET 不匹配

(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 和可选匹配 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