Python如何通过非正则方法从句子/段落中提取地址

按落地成本从低到高、泛化性从弱到强排序，可根据自身业务场景选择：

• 细粒度NER序列标注方案
  这是通用场景下性价比最高的方案，不要用仅支持国家、城市级粗粒度识别的工具，直接选择预训练完成、可识别门牌号、楼层、建筑名、道路名、邮编这类细粒度地址实体的NER模型（比如基于BERT微调的英文地址NER模型）即可。
  实现逻辑非常简单：先通过模型标注出句子中所有实体的类型，再将连续出现的地址类实体做拼接，就能自动过滤掉人名、手机号、无关描述等非地址内容。你给出的示例中，从商铺号到邮编的片段全部是连续的地址实体，直接拼接就能得到目标结果。如果业务覆盖特定国家/地区，只需要补充几百条对应场景的标注数据做轻量微调，准确率基本可以达到商用要求，泛化性远好于纯正则方案。
• 成熟开源地址解析库方案
  如果不想做模型微调工作，可以直接选用比你之前测试的pyap、locationtagger粒度更细、适配性更强的开源地址解析库：
  • 基于CRF序列标注实现的地址解析库是不错的选择，相比纯正则实现的pyap，这类库基于真实地址语料训练，对非固定格式的地址适配性更好，能够为每个地址片段打上类型标签，只要将连续的地址标签片段合并就能得到完整地址。
  • 如果需要支持多国家地址场景，可以选择基于全球开放地址数据训练的解析库，这类库使用了全球范围的公开地址语料，覆盖绝大多数国家的地址格式，实现时可以先对文本做滑窗切分，将能被库成功解析出结构化字段的连续片段判定为地址，泛化性远好于仅支持英美地址的工具。
• 大模型零样本/少样本提取方案
  如果需要快速上线验证、且不想投入太多精力做模型适配，直接用大模型做提取是效率最高的选择：只要给模型明确提取规则，比如“从输入句子中提取完整的邮政地址，不要包含人名、联系方式、其他无关描述，仅返回纯地址文本”，再附上2-3个业务场景下的输入输出示例，不管是闭源通用大模型还是7B/13B参数级的开源大模型，对这类信息提取任务的准确率都能达到较高水平，只需要加一层简单的后处理，过滤掉模型偶尔输出的解释性内容即可。

落地优化提示：无论选用哪种方案，都可以加一层轻量规则做兜底：比如地址常见的线索词（Floor、Building、Road、Street、Shop No、符合邮编格式的数字串）可以作为地址片段起止的判断依据，能进一步降低误判率。

内容的提问来源于stack exchange，提问作者user18158993