在python中將地址替換為門牌號，街道，城市，州

Question

我有10億個地址，格式有點像這樣的錯誤：

'12-as FS street, 456 DLGG Area, Rand. District, Sydney, Australia 32 1020203'

我需要像這樣的輸出

Column1:12AS
Column2: FS 456 DLGG Area
Column3: Rand
Column4: Sydney
Column5: Australia
Column6: 32
Column7: 1020203

所以基本上我需要將它們分開為house number, address line, state, country, statecode, pincode和刪除諸如street, district, countryside, road etc詞語。

另外，我需要搜索特定閾值以上的最常見單詞。

Answer 1

您只需要編寫一個解析器。 其代碼將取決於數據。 除非有人為您的特定數據格式編寫了解析器。

即時問題列表（不完整）：1）逗號是否為所有行的分隔符？ 2）是否在值內使用逗號（例如，在街道名稱內）？ 3）所有要刪除的單詞的清單（道路，道路，大道等）。4）地址可以采用“房屋名稱”的形式而不是帶有數字的街道嗎？

這是具有一些學習功能的地址解析器的一個隨機示例： https : //github.com/datamade/usaddress

如果您的格式和要求與某些現有解析器不完全匹配，則必須自己編寫。