Python提取城市后自动匹配对应州省与国家的实现方法

问题根源 #

现有代码将国家、城市、州/省三类数据拆分为独立平级列表存储，完全丢失了三者之间的行政从属映射关系，仅能判断字符串是否属于某类地理位置，无法关联到其上级行政单位，自然无法实现自动补全。

实现步骤 #

• 重构数据源存储结构
  废弃原有拉平平级列表的存储逻辑，构建两类键值对映射表作为查找依据：
  • city_to_meta：键为城市名称，值存储该城市所属的州/省、国家信息
  • state_to_country：键为州/省名称，值存储该州/省所属的国家信息
    注意：原有手动维护的州/省仅存名称列表，没有从属关联，需要先补全为「州名-所属国家-下辖城市」的结构化映射，否则关联逻辑没有数据支撑。重名城市问题可在后续匹配环节加歧义判断，初期可优先匹配第一条有效映射。
• 初始化映射表参考代码：

import requests
from geotext import GeoText
import locationtagger

# 拉取国家-城市基础数据
response = requests.get("https://countriesnow.space/api/v0.1/countries")
json_response = response.json()

# 初始化映射容器和校验集合
city_to_meta = {}
state_to_country = {}
all_countries = set()
all_states = set()
all_cities = set()

# 处理API返回的国家、城市数据
for country_item in json_response['data']:
    country_name = country_item['country']
    all_countries.add(country_name)
    for city_name in country_item['cities']:
        all_cities.add(city_name)
        if city_name not in city_to_meta:
            city_to_meta[city_name] = {"state": "NA", "country": country_name}

# 加载手动维护的州/省映射，替换原有'states list'，按实际数据补全即可
states_map = {
    "Tamil Nadu": {
        "country": "India",
        "cities": ["Chennai", "Coimbatore", "Madurai"]
    }
    # 其余州/省按相同格式补充
}

# 填充州相关映射
for state_name, state_info in states_map.items():
    all_states.add(state_name)
    state_to_country[state_name] = state_info["country"]
    for city_name in state_info["cities"]:
        all_cities.add(city_name)
        if city_name in city_to_meta:
            city_to_meta[city_name]["state"] = state_name
        else:
            city_to_meta[city_name] = {"state": state_name, "country": state_info["country"]}

• 重写匹配补全逻辑
  保留原有NLP实体提取逻辑，提取到原始实体后按照层级关系补全缺失字段：先通过匹配到的城市补全州、国家信息，再通过匹配到的州补全国家信息，最后做去重和空值处理，和原有输出格式对齐。参考代码：

def extract_location(str_text):
    # 提取原始地理位置实体
    places = GeoText(str_text)
    raw_cities = [c for c in places.cities if c in all_cities]
    place_entity = locationtagger.find_locations(text=str_text)
    raw_states = [s for s in place_entity.regions if s in all_states]
    raw_countries = [c for c in places.countries if c in all_countries]

    # 用集合存储结果自动去重
    final_cities = set(raw_cities)
    final_states = set(raw_states)
    final_countries = set(raw_countries)

    # 通过城市补全对应州、国家
    for city in final_cities:
        city_meta = city_to_meta.get(city, {})
        if city_meta.get("state") != "NA":
            final_states.add(city_meta["state"])
        if city_meta.get("country"):
            final_countries.add(city_meta["country"])
    
    # 通过州补全对应国家
    for state in final_states:
        match_country = state_to_country.get(state)
        if match_country:
            final_countries.add(match_country)
    
    # 空值兼容，和原有逻辑保持一致
    city_result = list(final_cities) if final_cities else "NA"
    state_result = list(final_states) if final_states else "NA"
    country_result = list(final_countries) if final_countries else "NA"

    return [
        {"Location": {"City": city_result, "State": state_result, "Country": country_result}}
    ]

• 可选优化：处理重名歧义
  若后续遇到同名城市/州分属不同行政区域的情况，可增加匹配优先级：如果文本中已经提取到明确的国家/州实体，优先匹配和已提取实体从属关系一致的映射，避免归属匹配错误。

注意事项 #

如果不想长期手动维护州/省和城市的从属映射，可以替换为自带行政层级关系的地理位置数据源，降低人工维护成本。

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