python:解决从字符串中提取省市区的问题

需求

从发货订单的地址中,如下的字符串:
"浙江省温州市永嘉县岩头镇芙蓉新村15栋"
"温州XX永嘉县岩头镇芙蓉新村15栋"
"浙江X永嘉县岩头镇芙蓉新村15栋"
"永嘉X岩头镇芙蓉新村15栋"
"XXXXX温州市XXXXX永嘉县岩头镇芙蓉新村15栋"
精确提取出省市区

解决思路

1.获取国内最新的省市区县数据并导入数据库
2.将地址分词
3.将所有的关键词,依次同省市县三级数据比较
从而获取出精确的省,市,区县

补丁:
1.若匹配不出省,则匹配全国的市,增大市一级匹配概率
2.若匹配不出市,则匹配全国或全省的区县,增大区县一级匹配概率
3.匹配出县后,再根据县,匹配出所在市所在省的数据
4.去除分词中类似 ['镇', '区', '县', '号'] 这样的单字,降低错误命中
5.若省市县三级均匹配不出,则说明无省市县三级数据

放弃的思路:
1.正则匹配。因为所要分词的数据非常无规律,可能没有省什么的,匹配效果不佳。
2.省市县数据放到json文件中。因为要做类似关键词对比这样的操作,有频繁的数据查询匹配,所以最好将数据存入数据库中去,好提高效率。

执行

1.获取国内最新的省市区县数据并导入数据库

我的数据来源是国家民政部官网:
http://www.mca.gov.cn/article/sj/xzqh/2019/
在这个网站中,能获取到最新的省市县:
http://www.mca.gov.cn/article/sj/xzqh/2019/201908/201908271607.html

然后撸下来,插入数据库中。
我的方法是:
1)拷贝网页内容到excel
2)python脚本读取excel文件,并插入数据库

建表语句如下:

CREATE TABLE `T_Province` (
  `ProID` varchar(50) NOT NULL,
  `ProName` varchar(50) DEFAULT NULL,
  PRIMARY KEY (`ProID`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

CREATE TABLE `T_City` (
  `CityID` varchar(50) NOT NULL,
  `CityName` varchar(50) DEFAULT NULL,
  `ProID` varchar(50) DEFAULT NULL,
  PRIMARY KEY (`CityID`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

CREATE TABLE `T_District` (
  `DisID` varchar(50) NOT NULL,
  `DisName` varchar(50) DEFAULT NULL,
  `CityID` varchar(50) DEFAULT NULL,
  `ProID` varchar(50) DEFAULT NULL,
  PRIMARY KEY (`DisID`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

脚本语句我就不再写了,需要注意的是,北京天津上海重庆四个直辖市,没有市一级的数据,我做了补全。
类似:‘北京市,北京市,朝阳区’
这样方便对地址的匹配,也方便逻辑的连贯性。

2.将地址分词

地址分词,我使用的是jieba这个库来做的
jieba就是“结巴”中文分词
github:https://github.com/fxsjy/jieba

安装说明

代码对 Python 2/3 均兼容
全自动安装:easy_install jieba 或者 pip install jieba / pip3 install jieba
半自动安装:先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
手动安装:将 jieba 目录放置于当前目录或者 site-packages 目录
通过 import jieba 来引用

使用方法

#encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 默认模式

seg_list = jieba.cut("他来到了网易杭研大厦")
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

而且github 上有非常详尽的使用方法,请自行查阅。

3.将所有的关键词,依次同省市县三级数据比较

我的python 脚本

# -*- coding: UTF-8 -*-

import sql
import jieba
import json

def address_match(address):
    if not address:
        return {}
    address = address.replace(' ', '')
    # 查省
    sql_str = 'select * from tools.T_Province;'
    province_data = sql.myOperationdb.query(sql_str)
    seg_list = jieba.lcut(address, cut_all=False)
    # 对分出的关键词去出对查询结果影响较大的关键词,而且只去单个的分词
    for key in seg_list:
        if key.encode('UTF-8') in ['镇', '区', '县', '号']:
            seg_list.remove(key)
    province_dict = {}
    for item in province_data:
        for key in seg_list:
            if key in item['ProName']:
                province_dict = item
                break
        if province_dict:
            break
    # 查市
    if not province_dict:
        sql_str = 'select * from tools.T_City;'
    else:
        sql_str = 'select * from tools.T_City where ProID = \'' + province_dict['ProID'] + '\';'
    city_data = sql.myOperationdb.query(sql_str)
    city_dict = {}
    if len(city_data) == 1:
        city_dict = city_data[0]
    else:
        for item in city_data:
            for key in seg_list:
                if key in item['CityName']:
                    city_dict = item
                    break
            if city_dict:
                break
    # 查区县
    if not city_dict:
        if not province_dict:
            sql_str = 'select * from tools.T_District'
        else:
            sql_str = 'select * from tools.T_District where ProID = \'' + province_dict['ProID'] + '\';'
    else:
        sql_str = 'select * from tools.T_District where CityID = \'' + city_dict['CityID'] + '\';'
    dis_data = sql.myOperationdb.query(sql_str)
    dis_dict = {}
    index = 0
    if len(dis_data) == 1:
        dis_dict = dis_data[0]
    else:
        for item in dis_data:
            for key in seg_list:
                if key in item['DisName']:
                    dis_dict = item
                    index = address.decode('utf8').index(key)
                    break
            if dis_dict:
                break
    if not dis_dict:
        return {}
    else:
        if not province_dict:
            sql_str = 'select * from tools.T_Province where ProID = \'' + dis_dict['ProID'] + '\';'
            province_dict = sql.myOperationdb.query(sql_str)
            province_dict = province_dict[0]
        if not city_dict:
            sql_str = 'select * from tools.T_City where CityID = \'' + dis_dict['CityID'] + '\';'
            city_dict = sql.myOperationdb.query(sql_str)
            city_dict = city_dict[0]
    address_dict = {
        'province': province_dict['ProName'],
        'city': city_dict['CityName'],
        'dis': dis_dict['DisName'],
        'add': address.decode('utf8')[int(index) + len(key):]
    }
    print address
    return address_dict

其中 sql 模块,是我写的一个sql处理类
代码如下:

# -*- coding: UTF-8 -*-

import pymysql
import sys
from decimal import Decimal

reload(sys)


class Operationdb(object):

    def __init__(self):
        try:
            self.conn = pymysql.connect(host='localhost',
                                        user='root',
                                        passwd='root',
                                        charset='utf8',
                                        use_unicode=True,
                                        db='tools',
                                        port=3306,
                                        cursorclass=pymysql.cursors.DictCursor)
            self.cur = self.conn.cursor()
        except pymysql.Error as e:
            print ("创建数据库连接失败|Mysql Error %d: %s" % (e.args[0], e.args[1]))

    def __del__(self):
        self.cur.close()
        self.conn.close()

    def query(self, sql):
        self.cur.execute(sql)
        data = self.cur.fetchall()
        if data:
            return data
        else:
            return 0

    def execute(self, sql):
        try:
            self.cur.execute(sql)
            self.conn.commit()
            return True
        except pymysql.Error as e:
            self.conn.rollback()
            return False

    def executemany(self, sql, d_list):
        try:
            self.cur.executemany(sql, d_list)
            self.conn.commit()
        except pymysql.Error as e:
            self.conn.rollback()

myOperationdb = Operationdb()

最终执行效果:

浙江省温州市永嘉县岩头镇芙蓉新村15栋
{"province": "浙江省", "city": "温州市", "add": "岩头镇芙蓉新村15栋", "dis": "永嘉县"}
温州XX永嘉县岩头镇芙蓉新村15栋
{"province": "浙江省", "city": "温州市", "add": "岩头镇芙蓉新村15栋", "dis": "永嘉县"}
浙江X永嘉县岩头镇芙蓉新村15栋
{"province": "浙江省", "city": "温州市", "add": "岩头镇芙蓉新村15栋", "dis": "永嘉县"}
永嘉X岩头镇芙蓉新村15栋
{"province": "浙江省", "city": "温州市", "add": "X岩头镇芙蓉新村15栋", "dis": "永嘉县"}
XXXXX温州市XXXXX永嘉县岩头镇芙蓉新村15栋
{"province": "浙江省", "city": "温州市", "add": "岩头镇芙蓉新村15栋", "dis": "永嘉县"}

你可能感兴趣的:(python:解决从字符串中提取省市区的问题)