如何高效拆分解析格式不统一的美国地址各组成部分

针对全量为美国地址、无需拆分街道与城市、可忽略USA标识的需求，不需要手写零散split规则适配特殊格式，以下两种方案都能覆盖你列出的所有格式场景（州与邮编连写、无逗号分隔、带/不带USA后缀等）。

方案1：使用专门的美国地址解析库（推荐，准确率最高） #

• 优先选择成熟的地址解析库，这类库不是靠固定分隔符拆分，而是基于标注的美国地址数据集训练的概率模型，对非标准格式的容错性极强。Python生态最常用的是usaddress库，安装后即可直接使用。
• 解析前只需要做一步极简预处理：把地址末尾的, USA、 USA字符串替换为空，剔除不需要的国家标识。
• 由于你不需要拆分街道和城市字段，解析后把街道、城市相关的返回字段拼接为一个地址主体字段，单独提取州、邮编字段即可。
• 参考实现代码：

import usaddress

def parse_us_address(addr_str):
    # 预处理：移除USA标识
    addr_str = addr_str.replace(", USA", "").replace(" USA", "").strip()
    # 解析地址标签
    parsed_tags, _ = usaddress.tag(addr_str)
    # 合并街道、城市相关标签为地址主体
    main_part_tags = ['AddressNumber', 'StreetName', 'StreetNamePostType', 'PlaceName']
    address_main = " ".join([parsed_tags[tag] for tag in main_part_tags if tag in parsed_tags])
    state = parsed_tags.get('StateName', '')
    zipcode = parsed_tags.get('ZipCode', '')
    return {
        "address_main": address_main,
        "state": state,
        "zipcode": zipcode
    }

• 用你提供的4条样例测试，该逻辑全部可以正确拆分：包括Santa Clara, CA95050这类州和邮编连写的场景，模型会自动识别出州为CA、邮编为95050，不会因为缺失空格拆分失败。

方案2：轻量正则规则兜底（无需引入第三方库） #

如果使用场景受限、不能安装第三方依赖，可以写针对性的正则规则，鲁棒性远高于纯逗号拆分、固定位置split的逻辑：

• 第一步先剔除USA后缀，把地址中所有逗号替换为空格，再将连续多个空格合并为单个空格，把不同格式的地址统一为空格分隔的结构。
• 第二步从字符串末尾向前匹配5位连续数字（美国标准邮编为5位，扩展邮编为5位+横杠+4位，可按需调整正则），提取为邮编字段，将邮编部分从原字符串中剔除。
• 第三步在剔除邮编的剩余字符串末尾，匹配2位连续大写字母（美国州名标准缩写为2位大写），提取为州字段，剩余部分即为街道+城市的地址主体。
• 参考实现代码：

import re

def simple_parse_us_address(addr_str):
    # 预处理：移除USA标识，统一分隔格式
    addr_str = addr_str.replace(", USA", "").replace(" USA", "").strip()
    addr_str = re.sub(r',', ' ', addr_str)
    addr_str = re.sub(r'\s+', ' ', addr_str).strip()
    # 提取末尾5位邮编
    zip_match = re.search(r'(\d{5})$', addr_str)
    zipcode = zip_match.group(1) if zip_match else ''
    addr_wo_zip = addr_str[:zip_match.start()].strip() if zip_match else addr_str
    # 提取末尾2位大写州缩写
    state_match = re.search(r'([A-Z]{2})$', addr_wo_zip)
    state = state_match.group(1) if state_match else ''
    address_main = addr_wo_zip[:state_match.start()].strip() if state_match else addr_wo_zip
    return {
        "address_main": address_main,
        "state": state,
        "zipcode": zipcode
    }

注意：轻量正则方案仅适用于地址格式相对标准、无特殊异常写法的场景，如果数据中存在非标准州名、地址中夹杂其他大写数字串的情况，准确率会下降，这类场景优先选择第一种成熟库方案。

内容的提问来源于stack exchange，提问作者Felix