使用R语言正则表达式拆分含数字的地址组件

核心思路 #

先统一移除所有逗号，再通过正则精准捕获三个关键部分：

1. 街道名：从地址开头到第一个数字串前的所有文本（保留RUA/AV这类前缀及完整名称）
2. 门牌号：第一个连续数字序列（支持前导零）
3. 补充信息：门牌号之后的所有剩余文本

完整R代码实现 #

library(tidyr)
library(stringr)

# 原始地址数据
addresses <- c(
  "RUA DOS PASSOS 1523 CS 2",
  "AV CAXIAS, 02 CASA 05",
  "AV 11 DE NOVEMBRO 2032 CASA 4",
  "RUA 05 DE OUTUBRO, 25 CASA 02"
)

# 第一步：移除所有逗号，统一地址格式
clean_addresses <- str_remove_all(addresses, ",")

# 第二步：用正则拆分地址为指定字段
address_df <- extract(
  data.frame(address = clean_addresses),
  col = address,
  into = c("no_logradouro", "nu_logradouro", "complemento"),
  regex = "^([^0-9]+)\\s+(\\d+)\\s+(.*)$",
  remove = FALSE
)

# 清理街道名末尾的多余空格
address_df$no_logradouro <- str_trim(address_df$no_logradouro)

# 查看结果
print(address_df)

正则表达式解析 #

^([^0-9]+)\\s+(\\d+)\\s+(.*)$

• ^([^0-9]+)：捕获从地址开头到第一个数字前的所有非数字文本，确保完整匹配街道名称
• \\s+：匹配街道名与门牌号之间的一个或多个空格，兼容地址里的空格格式差异
• (\\d+)：捕获连续数字序列，完美支持带前导零的门牌号
• \\s+：匹配门牌号与补充信息之间的空格
• (.*)$：捕获门牌号之后的所有剩余内容，覆盖各类补充信息格式

最终输出结果 #

内容的提问来源于stack exchange，提问作者Pedro Cunha