用于将德国地址拆分为多个部分的正则表达式答案

【问题标题】：Regex for splitting a german address into its parts用于将德国地址拆分为多个部分的正则表达式
【发布时间】：2013-06-13 06:53:49
【问题描述】：

晚上好，

我正在尝试通过 Java 将德语地址字符串的各个部分拆分为各个部分。有谁知道一个正则表达式或一个库来做到这一点？拆分如下：

Name der Straße 25a 88489 Teststadt
到
Name der Straße|25a|88489|Teststadt

或

Teststr. 3 88489 Beispielort (Großer Kreis)
致
Teststr.|3|88489|Beispielort (Großer Kreis)

如果缺少邮政编码或城市等部分，如果系统/正则表达式仍然有效，那将是完美的。

是否有任何正则表达式或库可供我存档？

编辑：德国地址规则：
街道：字符、数字和空格
房屋编号：数字和任何字符（或空格），直到一系列数字（zip）（至少在这些示例中）
邮编：5 位数
地点或城市：其余部分也可能带有空格、逗号或大括号

【问题讨论】：

对于不熟悉德国地址的人，规则是什么？是“有空格但没有数字的东西”、“有数字但没有空格的东西”、“有数字但没有空格”、“没有数字但没有空格”吗？
您不需要正则表达式。只需使用空格分隔符拆分字符串，然后使用条形 | 分隔符将其加入 - 但 Oli 上面的评论也是相关的，因为我假设德国地址是用空格分隔的
@OliCharlesworth：编辑了帖子
@Robbie：我不能只用空格分隔它们，因为街道名称和城市/地点也可以包含空格。
不要认为这很容易。有很多带有空格的街道名称。此外，有些人写“25 a”而不是“25a”。我通常会用“，”写我的地址来分隔各个部分。您是否以定义的格式从其他系统获取地址？

标签： java regex split street-address

【解决方案1】：

我遇到了一个类似的问题，并稍微调整了这里提供的解决方案，并得出了这个同样有效的解决方案，但 (imo) 更易于理解和扩展：

/^([a-zäöüß\s\d.,-]+?)\s*([\d\s]+(?:\s?[-|+/]\s?\d+)?\s*[a-z]?)?\s*(\d{5})\s*(.+)?$/i

这里有一些example matches。

它还可以处理丢失的街道号码，并且可以通过向字符类添加特殊字符来轻松扩展。

[a-zäöüß\s\d,.-]+?                         # Street name (lazy)
[\d\s]+(?:\s?[-|+/]\s?\d+)?\s*[a-z]?)?     # Street number (optional)

之后，必须有邮政编码，这是唯一绝对必要的部分，因为它是唯一不变的部分。邮政编码后的所有内容都被视为城市名称。

【讨论】：

【解决方案2】：

我会从后面开始，因为据我所知，城市名称不能包含数字（但它可以包含空格（我发现的第一个示例：“Weil der Stadt” )。那么前面的五位数字一定是邮政编码。

前面的数字（可能后跟一个字母）是门牌号。请注意，这也可以是一个范围。在此之前的任何内容都是街道名称。

不管怎样，我们开始吧：

^((?:\p{L}| |\d|\.|-)+?) (\d+(?: ?- ?\d+)? *[a-zA-Z]?) (\d{5}) ((?:\p{L}| |-)+)(?: *\(([^\)]+)\))?$

这甚至可以正确解析神秘的地址，例如“Straße des 17. Juni 23-25 a 12345 Berlin-Mitte”。

请注意，这不适用于地址扩展名（例如“Gartenhaus”或“c/o ...”）。我不知道如何处理这些。我相当怀疑是否有一个可行的正则表达式来表达这一切。

如您所见，这是一个非常复杂的正则表达式，包含许多捕获组。如果我会在代码中使用这样的表达式，我会使用命名捕获（Java 7 支持它们）并使用x 标志将表达式分解为更小的部分。不幸的是，Java 不支持这一点。这很糟糕，因为它有效地使复杂的正则表达式无法使用。

不过，这里有一个更清晰的正则表达式：

^
(?<street>(?:\p{L}|\ |\d|\.|-)+?)\ 
(?<number>\d+(?:\ ?-\ ?\d+)?\ *[a-zA-Z]?)\ 
(?<zip>\d{5})\ 
(?<city>(?:\p{L}|\ |-)+)
(?:\ *\((?<suffix>[^\)]+)\))?
$

在 Java 7 中，我们可以实现的最接近的是（未经测试；可能包含拼写错误）：

String pattern =
    "^" +
    "(?<street>(?:\\p{L}| |\\d|\\.|-)+?) " +
    "(?<number>\\d+(?: ?- ?\\d+)? *[a-zA-Z]?) " +
    "(?<zip>\\d{5}) " +
    "(?<city>(?:\\p{L}| |-)+)" +
    "(?: *\\((?<suffix>[^\\)]+)\\))?" +
    "$";

【讨论】：

对你的街道字符串来说就像一个魅力，但不幸的是，它不适用于示例街道。您可以使用 radzio 的代码示例和您的正则表达式（带有转义部分）^((?:\\p{L}| |\\d|\\.|-)+?) ((?:\\d+ ?- ?)\\d+ *[a-zA-Z]?) (\\d{5}) ((?:\\p{L}| |-)+)$ 对其进行测试
@Christian 因为我是个白痴。再试一次，我把街道号码范围写错了，没有让它成为可选的。它现在适用于示例地址。
找到一个缺失的部分。有时在定义区域的地方有大括号“（”和“）”。它们不是官方地址的一部分，但可以在此类数据中找到。是否可以将其添加到正则表达式中？如果，如何？
@Christian 嗯，你到底在哪里有括号？请用示例编辑问题。
可以说这个地方可以由任何字符组成，除了数字吗？因为我找到了以下地址：“Schwabacher Str. 22 48516 Eschborn, Taunus”。带有逗号“，”的地址。这不适用于正则表达式。

【解决方案3】：

这是我的建议，可以进一步微调，例如允许丢失的部分。

正则表达式模式：

^([^0-9]+) ([0-9]+.*?) ([0-9]{5}) (.*)$

第一组：街道
第 2 组：房屋编号。
第 3 组：邮编
第 4 组：城市

【讨论】：

此正则表达式已损坏，因为街道名称可以包含数字。例如（但不限于），街道可以在分配名称之前进行编号，以便您最终得到“Straße 42”。另一个例子是“Straße des 17. Juni”。
OP 没有在街道名称中提及数字。也许没有必要为那些持有？
@KonradRudolph 你是对的。这是一种完全让我忘记的可能性。是否有一个“系统”可以用来定义德国地址的构建方式？
@KonradRudolph 这个问题清楚地将街道部分定义为“街道：字符和空格直到一个数字”，所以我的正则表达式没有被破坏。我刚刚回答了这个问题。如果正如 Christian 所证实的那样，考虑到这部分问题，问题不正确，则可能需要不同的解决方案，但我也会要求 Christian 改变问题。
@Michael 是的，问题没有正确指定输入。正则表达式在实际输入中仍然被破坏。不是你的错，仍然如此。

【解决方案4】：

public static void main(String[] args) {
    String data = "Name der Strase 25a 88489 Teststadt";
    String regexp = "([ a-zA-z]+) ([\\w]+) (\\d+) ([a-zA-Z]+)";

    Pattern pattern = Pattern.compile(regexp);
    Matcher matcher = pattern.matcher(data);
    boolean matchFound = matcher.find();

    if (matchFound) {
        // Get all groups for this match
        for (int i=0; i<=matcher.groupCount(); i++) {
            String groupStr = matcher.group(i);
            System.out.println(groupStr);
        }
    }System.out.println("nothing found");
                }

我猜它不适用于德语变音符号，但您可以自行解决此问题。无论如何，这是一个很好的创业公司。

我建议访问this，这是一个关于正则表达式的好网站。祝你好运！

【讨论】：

这不起作用，原因与上面的其他正则表达式不起作用。
你是指可以容纳数字的街道名称？我想问题中没有明确说明。
例如。还有更多疯狂的事情发生。德国地址非常复杂。详情看我的回答。
如果 String data = "88489 Teststadt Name der Strase 25a "怎么办？正则表达式模式将如何？谢谢

【解决方案5】：

乍一看，它看起来像是一个简单的空格，但仔细观察我发现地址总是有 4 部分，第一部分可以有空格。

我会做的是这样的（伪代码）：

address[4] = empty
split[?] = address_string.split(" ")
address[3] = split[last]
address[2] = split[last - 1]
address[1] = split[last - 2]
address[0] = join split[first] through split[last - 3] with whitespace, trim trailing whitespace with trim()

但是，这只会处理一种形式的地址。如果地址以多种方式写入，则可能会更加棘手。

【讨论】：

【解决方案6】：

试试这个：

^[^\d]+[\d\w]+(\s)\d+(\s).*$

它为分隔地址的 4 个部分中的 1 个的每个空格捕获组

或

这个为您提供每个地址部分的组：

^([^\d]+)([\d\w]+)\s(\d+)\s(.*)$

我不懂 java，所以不确定用于替换捕获组的确切代码。

【讨论】：