Python：從文章內提取地址

前言：

如何從文章內提取地址？方法有很多種，我這邊提一個我的思路。
1、整理一份標準地址庫，至少包括以下幾列：省、市、鎮、街道、路。
有人會說整理很難，沒錯，很難找到成熟的地址庫（這種都是能賣Q的），通過政府官網可以獲得的數據也僅僅是省、市、鎮、街道/居委之類的，如果要整理成一份詳盡的，難度很高。
以上海爲例，我主要是通過百度文庫獲得了一份相對來說比較全的地址庫，但也僅僅是路和區的對應表，無法整理到鎮或街道。所以我又在上海統計局官網中找到了居委會和區的對應表，經過多次整理獲得一份相對比較準確的清單。

2、獲得地址庫後，就僅需要從最大級別開始依次遍歷獲取可能的地址字符串，
比如以下文本

可以很清楚看到就是辦理地點後面的內容，是一個標準化的格式。
我們也可以先找南安市，找到後再找後面是否有“號”之類的字，根據我手上的數據統計，90%以上的地址最後是以“號”、“室”之類結尾的，加上正則表達式即可完成提取。
3、提取後的內容可能會有雜音，比如上例中的“著名的”，當然一般來說都是比較乾淨的。

代碼：

代碼比較爛，沒有特別整理，僅供參考

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/之號室棟樓幢座號巷對面米側旁出口路東西南北上鋪站]')
    for keyword in ['室', '棟', '樓','幢', '座', '號', '巷', '對面', '米', '側', '旁','出口', '路東', '路西', '路南', '路北', 
                    '樓上', '鋪','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):
    '''通過省和城市來提取正確的地址'''
    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:
            #再看區
            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:
                #再看鎮
                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