脚本如何解析地址信息

本文目录导读：

1. 方案一：使用现成的开源库（推荐，最省力）
2. 方案二：基于规则的通用脚本（轻量级，无依赖）
3. 方案三：使用 NLP 模型（适合复杂、不规则文本）
4. 常见问题与优化技巧
5. 总结：如何选择？

解析地址信息是一个常见的需求，通常指从一段非结构化文本（如“北京市海淀区中关村大街1号”）中提取出省、市、区、街道、门牌号等结构化字段。

根据不同场景和精度要求，有几种主流的解析方法,以下是详细的脚本方案：

使用现成的开源库（推荐，最省力）

这是最推荐的方式,无需自己处理复杂的规则和机器学习模型。

Python - addrParse / postaddr

这两个库专门用于中国地址解析,基于规则和词典。

# 安装: pip install addrparse
from addrparse import parse_addr
# 或者使用 postaddr
# pip install postaddr
# from postaddr import parse
address = "广东省深圳市南山区科技园南区粤海街道R2-B栋5楼"
result = parse_addr(address)
print(result)
# 输出示例: {'province': '广东省', 'city': '深圳市', 'district': '南山区', 'street': '粤海街道', 'detail': 'R2-B栋5楼'}

Python - 高德/百度地图 API（最准确，但需联网）

适合需要极高准确率（如电商、物流）且允许网络请求的场景。

import requests
# 以高德地图地理编码API为例（需申请Key）
API_KEY = "你的高德Key"
address = "北京市朝阳区望京SOHO T1"
url = f"https://restapi.amap.com/v3/geocode/geo?key={API_KEY}&address={address}"
response = requests.get(url)
data = response.json()
if data['status'] == '1' and data['geocodes']:
    # 解析结构化地址
    addr_component = data['geocodes'][0]
    print(addr_component['province'])  # 北京
    print(addr_component['city'])      # 北京市
    print(addr_component['district'])  # 朝阳区
    print(addr_component['street'])    # 望京街道

基于规则的通用脚本（轻量级，无依赖）

如果你不想调用API也不想下载第三方库,可以用正则表达式加词典实现基础解析。

Python 示例（纯规则+省市区词典）

import re
# 定义省市区简单词典（实际使用时需要更全的列表）
PROVINCES = ["北京", "天津", "上海", "重庆", "河北", "山西", "广东", "深圳", "浙江"...]
CITY_KEYWORDS = ["市"]
DISTRICT_KEYWORDS = ["区", "县", "县级市"]
STREET_KEYWORDS = ["街道", "镇", "乡", "路", "街", "大道"]
def parse_address(address):
    result = {
        "province": "",
        "city": "",
        "district": "",
        "street": "",
        "detail": ""
    }
    # 1. 提取省份（简单匹配）
    for prov in PROVINCES:
        if address.startswith(prov):
            result["province"] = prov
            address = address[len(prov):]
            break
    # 2. 提取城市（匹配第一个出现的“市”）
    city_match = re.search(r"(.*?市)", address)
    if city_match:
        result["city"] = city_match.group(1)
        address = address[city_match.end():]
    # 3. 提取区/县
    district_match = re.search(r"(.*?[区县])", address)
    if district_match:
        result["district"] = district_match.group(1)
        address = address[district_match.end():]
    # 4. 提取街道（匹配第一个出现的街道/镇/路等）
    street_match = re.search(r"(.*?[街道镇路大道])", address)
    if street_match:
        result["street"] = street_match.group(1)
        address = address[street_match.end():]
    # 5. 剩余部分为详细地址
    result["detail"] = address.strip()
    return result
# 测试
addr = "广东省深圳市南山区粤海街道科技园南路1号"
print(parse_address(addr))
# 输出：{'province': '广东', 'city': '深圳市', 'district': '南山区', 'street': '粤海街道', 'detail': '科技园南路1号'}

使用 NLP 模型（适合复杂、不规则文本）

对于用户手写输入、包含错别字或非常规格式的地址，可以使用基于BERT的命名实体识别（NER）模型。

示例：使用 pip 安装 transformers 加载预训练模型

# 安装: pip install transformers torch
from transformers import pipeline
# 加载中文地址解析模型（如清华大学的地址解析模型）
# 注意：可能需要从 HuggingFace 下载特定模型
ner_pipeline = pipeline("ner", model="bert-base-chinese")  # 通用NER
# 更推荐使用专门训练的地址模型（如 "Address-NER"）
# 这里以简单示例说明：
address = "上海市浦东新区张江高科技园区郭守敬路498号"
result = ner_pipeline(address)
# 输出结果需要结合规则后处理成省市区格式
print(result)
# 实际生产环境可使用：https://huggingface.co/uer/bert-base-chinese-ner

常见问题与优化技巧

1. 处理缺失字段：很多地址会省略省份或城市，北京市朝阳区”北京”既是省也是市，建议建立层级映射词典：
   • 直辖市映射：北京 -> 省：北京，市：北京
   • 县级市映射：如果提取到“昆山市”，应识别为城市,并映射到江苏省。
2. 处理前缀：用户可能输入“收货地址：”、“我家在”等前缀，需先用正则过滤：

   address = re.sub(r'^(收货地址|地址|我家在|送至)[：: ]', '', raw_text)

3. 处理模糊匹配：用户可能写“南京鼓楼区”而非“南京市鼓楼区”，规则需要允许“市”字可省略。
4. 性能优化：如果处理大量数据（百万级），addrParse 库比调用API快数百倍。

如何选择？

给新手的建议：先试 pip install addrparse，调用一次函数看结果，如果效果满意,就无需折腾其他方案。