如何优化正则表达式从美国地址中准确提取城市名称

原正则存在的问题 #

之前的正则只能匹配第一个样例，核心问题有4个：

• 硬编码了州缩写规则CA?，仅能匹配C/CA开头的州，碰到TX、CO等其他州的地址直接失效
• 用.*做贪婪匹配，地址里存在多个逗号分隔的公寓、套房字段时，会把前面无关的地址内容也匹配进来
• 没有适配多词城市场景，San Francisco这类带空格的城市名无法完整匹配
• 分隔符兼容逻辑不全，不同地址里州、邮编之间的连接符多变，容易出现漏匹配

优化后的正则表达式 #

直接使用下面的正则，取第一个捕获组的内容即可得到城市名：

(?:^|,)\s*(?:.*?[^\w])?([A-Z][a-z]+(?:\s[A-Z][a-z]+)*)\s*(?=[A-Z]{2}[,.\s-]*\d{5}\s*$)

匹配逻辑说明 #

• 锚点选美国地址最固定的尾部结构：两位大写州缩写 + 5位数字邮编，不硬编码具体州名，适配全美所有州的地址格式
• 城市名匹配规则兼容单字、多字场景：支持1个或多个「首字母大写、其余字母小写」的词组，能正确识别San Francisco这类带空格的城市名
• 自动跳过城市名前面的公寓号、套房号、#标记等冗余字段，只取离州、邮编最近的符合城市命名规则的内容
• 兼容逗号、空格、横杠等各类常见地址分隔符，不管城市和州之间有没有逗号、邮编和州之间用横杠还是空格连接，都能正常匹配

验证结果 #

针对给出的4条地址样例，提取结果完全符合预期：

• Plano
• Dallas
• Parker
• San Francisco

内容的提问来源于stack exchange，提问作者Wasim