如何通过正则表达式拆分无空格拼接的错误格式化地址数据

问题描述 #

我正在修正街道地址与城市/城镇信息无空格拼接的错误地址数据。识别拆分点最简单的方法是查找道路类型关键词（如STREET、ST.）后紧跟单词的位置，例如：

1201 WEST FRONT STREETCHESTER PA 19013-3496

目前暂不需要处理SOUTH这类其他词作为拆分点的场景，如下示例暂时无需适配：

703 6TH STREET SOUTHTEXAS CITY TX 77590

我当前使用的正则为(ST(?:REET)?)\.?([A-Z]{3,})，大部分场景适配良好，但在第二个示例中会匹配到ST + REET的组合。我知道正则默认是贪婪匹配，按照我的认知第一捕获组应该会阻止第二捕获组触发，我也尝试将正则改写为(STREET|ST)\.?([A-Z]{3,})，但问题未得到解决。

问题原因 #

正则的分支选择逻辑是顺序优先而非最长优先：当你把短分支ST放在前面，或者用可选组(?:REET)?时，正则扫描到字符串中的ST开头位置时，只要后续的.?([A-Z]{3,})规则能匹配上剩余内容，就会直接命中短分支，不会回退尝试更长的STREET匹配。比如第二个示例中的STREET字段，正则匹配到开头的ST后，后续的REET SOUT刚好符合[A-Z]{3,}的规则，因此直接完成匹配，不会尝试匹配更长的STREET关键词。

最终解决方案 #

以Michal提供的正则为基础，最终可用正则如下，可适配Street、Lane、Drive、Avenue、Boulevard、Highway等多种道路类型，也支持按方位词拆分EPA的TSCA地址数据：

\s((?:(?!STREET|STATE)ST|STREET|LANE|LN|(?!DRIVE)DR|DRIVE|ROAD|RD|[0-9]+|(?!AVENUE)AVE|AVENUE|BOULEVARD|BLVD|HWY|HIGHWAY|WEST|EAST|(?!NORTHEAST|NORTHWEST)NORTH|(?!SOUTHEAST|SOUTHWEST)SOUTH|N\.|S\.|W\.|E\.)\.?)(?=[A-Z]{3,})

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