Python实现OCR地址提取后国家州识别及完整地址输出方案咨询

全球州级行政区数据管理方案 #

不用依赖在线第三方服务，本地维护结构化映射表是最可控、长期成本最低的方案：

• 数据结构和你已有的国家字典对齐，统一存为JSON格式即可，核心结构为「标准国家名：对应国家所有一级行政区（州/省/邦）信息」，每个行政区条目下要收录标准名、常用缩写、日常别名、常见拼写错误、多语言译名——比如你示例里OCR识别出的Harayana就是印度哈里亚纳邦Haryana的常见书写误差，这类变体一定要提前收录，不然会出现匹配失败的问题。
• 不用一开始就凑齐全球所有国家的行政区数据，按你业务实际遇到的地址所属国家优先级逐步补充就行，先覆盖高频国家，再补冷门地区，初期维护量非常小。
• 数据结构参考示例：

{
  "India": {
    "country_aliases": ["IND", "印度"],
    "subdivisions": {
      "Haryana": ["Harayana", "哈里亚纳邦", "HR"],
      "Maharashtra": ["马哈拉施特拉邦", "MH"]
    }
  }
}

OCR文本后的解析逻辑实现 #

整个流程不用依赖复杂的NLP模型，本地就能跑通，步骤如下：

• 第一步做OCR文本清洗：把提取到的文本按行拆分，过滤无关内容：跳过带Tel:/电话标识的联系方式行、纯数字的邮编/电话行、明显是人名/地标指引的描述行（比如示例里的Near Mother Dairy这类），剩下的内容作为地址候选行，统一做转小写、去多余空格的标准化处理。
• 第二步匹配国家：遍历你已有的国家名称字典，和候选地址行做模糊匹配（用编辑距离算法即可，相似度阈值设为0.8，足够覆盖小的拼写错误），命中后锁定对应国家。
• 第三步匹配州级行政区：根据上一步匹配到的国家，调取该国家对应的所有一级行政区（含别名/拼写变体）列表，在候选地址行里做包含匹配+模糊匹配，命中后提取对应的标准行政区名。
• 最后把清洗后的完整地址、匹配到的国家、匹配到的州级行政区统一输出即可。

核心逻辑参考代码：

from Levenshtein import ratio
import json

# 加载本地维护的国家字典、行政区数据
with open("country_dict.json", "r", encoding="utf-8") as f:
    country_dict = json.load(f)
with open("subdivision_data.json", "r", encoding="utf-8") as f:
    subdivision_data = json.load(f)

def parse_address(ocr_raw_text):
    # 拆分文本行，过滤空行
    raw_lines = [line.strip() for line in ocr_raw_text.split("\n") if line.strip()]
    candidate_addr_lines = []
    # 过滤非地址行
    for line in raw_lines:
        if line.lower().startswith("tel"):
            continue
        if line.replace(" ", "").isdigit():
            continue
        candidate_addr_lines.append(line)
    full_address = ", ".join(candidate_addr_lines)

    # 匹配国家
    matched_country = None
    for line in candidate_addr_lines:
        line_processed = line.lower()
        for std_country, info in country_dict.items():
            all_country_names = info.get("aliases", []) + [std_country]
            for name in all_country_names:
                if ratio(line_processed, name.lower()) >= 0.8:
                    matched_country = std_country
                    break
            if matched_country:
                break
        if matched_country:
            break

    # 匹配一级行政区
    matched_subdivision = None
    if matched_country and matched_country in subdivision_data:
        sub_info = subdivision_data[matched_country]["subdivisions"]
        for line in candidate_addr_lines:
            line_processed = line.lower()
            for std_sub, aliases in sub_info.items():
                all_sub_names = aliases + [std_sub]
                for name in all_sub_names:
                    name_low = name.lower()
                    # 地址行通常是城市+州+邮编的组合，同时支持包含匹配和模糊匹配
                    if name_low in line_processed or ratio(line_processed, name_low) >= 0.8:
                        matched_subdivision = std_sub
                        break
                if matched_subdivision:
                    break
            if matched_subdivision:
                break

    return {
        "full_address": full_address,
        "country": matched_country,
        "subdivision": matched_subdivision
    }

# 测试提供的示例OCR结果
if __name__ == "__main__":
    test_ocr_text = """Subash Mittal
Near Mother Dairy
Close to Radha Krishna Mandir
Gurgaon Harayana 122001
India
Tel : 9999999999"""
    print(parse_address(test_ocr_text))

优化提示 #

• 模糊匹配用轻量的编辑距离库足够，不需要调用大模型或外部接口，响应速度快，也没有调用限制和额外成本。
• 可以加个置信度判断，如果国家或者行政区的匹配相似度低于0.7，就把这条地址标记为待人工校验，避免误匹配。
• 初期不用急于补全全球数据，先把当前业务高频遇到的国家行政区数据录进去，后续每遇到匹配失败的案例，把对应的行政区别名补到字典里就行，数据积累越多匹配准确率越高。

内容的提问来源于stack exchange，提问作者Tanuj Kanda