Python：从文章内提取地址

前言：

如何从文章内提取地址？方法有很多种，我这边提一个我的思路。
1、整理一份标准地址库，至少包括以下几列：省、市、镇、街道、路。
有人会说整理很难，没错，很难找到成熟的地址库（这种都是能卖Q的），通过政府官网可以获得的数据也仅仅是省、市、镇、街道/居委之类的，如果要整理成一份详尽的，难度很高。
以上海为例，我主要是通过百度文库获得了一份相对来说比较全的地址库，但也仅仅是路和区的对应表，无法整理到镇或街道。所以我又在上海统计局官网中找到了居委会和区的对应表，经过多次整理获得一份相对比较准确的清单。

2、获得地址库后，就仅需要从最大级别开始依次遍历获取可能的地址字符串，
比如以下文本

可以很清楚看到就是办理地点后面的内容，是一个标准化的格式。
我们也可以先找南安市，找到后再找后面是否有“号”之类的字，根据我手上的数据统计，90%以上的地址最后是以“号”、“室”之类结尾的，加上正则表达式即可完成提取。
3、提取后的内容可能会有杂音，比如上例中的“著名的”，当然一般来说都是比较干净的。

代码：

代码比较烂，没有特别整理，仅供参考

def possible_address(possible_position, html_text):
    possible_text = re.split(r'[,，\s]', html_text[possible_position:], 1)[0]
    re_value = re.compile('.*[0-9a-zA-Z/之号室栋楼幢座号巷对面米侧旁出口路东西南北上铺站]')
    for keyword in ['室', '栋', '楼','幢', '座', '号', '巷', '对面', '米', '侧', '旁','出口', '路东', '路西', '路南', '路北', 
                    '楼上', '铺','路','大道']:
        keyword_position = possible_text.find(keyword)
        if keyword in possible_text and (4 <=keyword_position<=30):
            right_text = re.search(re_value, possible_text).group(0)
            return right_text

def get_right_address(html_text):
    '''通过省和城市来提取正确的地址'''
    temp_address = ''
    #先看省
    province_count, city_count = 0, 0
    for province in new_province_list:
        province_position = html_text.find(province)
        if province_position != -1:
            right_address = possible_address(province_position, html_text)
            if right_address:
                return right_address
            else:
                province_count += 1
                if province_count == 1:
                    temp_address = province
                else:
                    temp_address = ''
    else:
        #再看市
        for city in new_city_list:
            city_position = html_text.find(city)
            if city_position != -1:
                right_address = possible_address(city_position, html_text)
                if temp_address != '':
                    if right_address:
                        if temp_address not in right_address:
                            right_address = temp_address + right_address
                        return right_address
                    else:
                        temp_address = temp_address + city
                else:
                    if right_address:
                        return right_address
                    else:
                        temp_address = temp_address + city
        else:
            #再看区
            for district in district_list:
                district_position = html_text.find(district)
                if district_position != -1:
                    right_address = possible_address(district_position, html_text)
                    if temp_address != '':
                        if right_address:
                            if temp_address not in right_address:
                                right_address = temp_address + right_address
                            return right_address
                        else:
                            temp_address = temp_address + district
                    else:
                        if right_address:
                            return right_address
                        else:
                            temp_address = temp_address + district
            else:
                #再看镇
                for township in township_list:
                    township_position = html_text.find(township)
                    if township_position != -1:
#                         print(township)
                        right_address = possible_address(township_position, html_text)
                        if temp_address != '':
#                             print(temp_address)
                            if right_address:
                                if temp_address not in right_address:
                                    right_address = temp_address + right_address
                                return right_address
                            else:
                                temp_address = temp_address + township
#                                 print(temp_address)
                        else:
                            if right_address:
                                return right_address
                            else:
                                temp_address = temp_address + township
                else:
                    #再看街
                    for street in street_list:
                        street_position = html_text.find(street)
                        if street_position != -1:
                            right_address = possible_address(street_position, html_text)
                            if temp_address != '':
                                if right_address:
                                    if temp_address not in right_address:
                                        right_address = temp_address + right_address
                                    return right_address
                                else:
                                    temp_address = temp_address + street
                            else:
                                if right_address:
                                    return right_address
                                else:
                                    temp_address = temp_address + street
                    else:
                        return temp_address