Python如何从字符串中提取有效地址并剔除无关垃圾内容
方案1:基于libpostal解析结果反向拼接干净地址
你当前已经能拿到包含少量冗余的粗地址片段,不需要提前剔除垃圾,直接把粗片段喂给libpostal,它会自动识别其中属于地址的组件、忽略无关内容,之后按西班牙地址的标准顺序拼接即可,代码示例:
from postal.parser import parse_address # 你之前拿到的带垃圾的粗地址片段 raw_candidate = "cilio social de la Compañía, Avenida de Burgos, 109 - 28050 Madrid (Indicar Aseso" # 解析得到地址组件 addr_components = parse_address(raw_candidate) # 按西班牙地址的通用顺序(街道→门牌号→邮编→城市)筛选拼接 component_order = ['road', 'house_number', 'postcode', 'city'] addr_map = {v: k for k, v in addr_components} clean_addr = ', '.join([addr_map[comp] for comp in component_order if comp in addr_map]) print(clean_addr) # 输出结果:Avenida de Burgos, 109, 28050, Madrid
该方案成本最低,直接复用你现有流程,无需引入额外依赖。
方案2:使用面向地址提取的专用NER模型
替换通用LOC识别的NER模型,使用专门标注了地址各要素(街道、门牌号、邮编、城市等)的预训练模型,直接提取完整地址:
- 可选择spaCy训练的西班牙地址识别预训练模型,直接返回结构化的地址片段,不需要手动截取字符范围
- 也可在stanza的基础上微调地址要素识别任务,标注少量西班牙地址样本即可获得很高的识别准确率
方案3:使用规则辅助的地址边界识别
在你现有stanza NER识别到LOC实体的基础上,通过判断地址边界特征自动调整截取范围:
- 地址的起始位置通常是街道类型前缀(西班牙地址常见前缀:Avenida、Calle、Plaza、Camino等),识别到这些关键词就作为地址左边界
- 地址的结束位置通常是邮编加城市之后,遇到括号、句号、破折号等非地址符号就作为右边界
代码示例:
# 西班牙地址常见街道前缀 street_prefixes = {'avenida', 'calle', 'plaza', 'camino', 'pasaje', 'carretera'} doc = nlp(text) for ent in doc.ents: if ent.type == 'LOC': # 向左查找最近的街道前缀作为左边界 left_idx = 0 for prefix in street_prefixes: pos = text.lower().rfind(prefix, 0, ent.start_char) if pos > left_idx: left_idx = pos # 向右查找最近的特殊符号作为右边界 right_markers = {'(', ')', '.', ';', '–', '-'} right_idx = len(text) for marker in right_markers: pos = text.find(marker, ent.end_char) if pos != -1 and pos < right_idx: right_idx = pos # 截取干净地址 clean_addr = text[left_idx:right_idx].strip() print(clean_addr) # 输出结果:Avenida de Burgos, 109 - 28050 Madrid
内容的提问来源于stack exchange,提问作者miguelik
相关产品推荐
相关产品推荐

