api - 如何将自由形式的街道/邮政地址从文本中解析为组件

Question

我们主要在美国开展业务，并试图通过将所有地址字段组合到一个文本区域来改善用户体验。但是有几个问题:

用户输入的地址可能不正确或格式不正确

地址必须分成几部分(街道、城市、州等)才能处理信用卡付款

用户可以输入的不仅仅是他们的地址(例如他们的姓名或公司)

Google 可以做到这一点，但服务条款和查询限制令人望而却步，尤其是在预算紧张的情况下

显然，这是一个常见的问题:

PHP script to parse address?

How do I parse the free format address to save into the DataBase

java postal address parser

More efficient way to extract address components

How can i show a pre populated postal address in contacts screen with street, city, zip on android

PHP regexp US address

有没有办法将地址与其周围的文本隔离开来并将其分成几部分？是否有解析地址的正则表达式？

Answer 1

我在地址验证公司工作的时候经常看到这个问题。我在这里发布答案，以便程序员可以更轻松地搜索相同的问题。我所在的公司处理了数十亿个地址，我们在这个过程中学到了很多东西。
首先，我们需要了解一些关于地址的事情。
地址不是 regular
这意味着正则表达式已经过时了。我已经看到了这一切，从以非常特定格式匹配地址的简单正则表达式到:

/\s+(\d{2,5}\s+)(?![a|p]m\b)(([a-zA-Z|\s+]{1,5}){1,2})?([\s|,|.]+)?(([a-zA-Z|\s+]{1,30}){1,4})(court|ct|street|st|drive|dr|lane|ln|road|rd|blvd)([\s|,|.|;]+)?(([a-zA-Z|\s+]{1,30}){1,2})([\s|,|.]+)?\b(AK|AL|AR|AZ|CA|CO|CT|DC|DE|FL|GA|GU|HI|IA|ID|IL|IN|KS|KY|LA|MA|MD|ME|MI|MN|MO|MS|MT|NC|ND|NE|NH|NJ|NM|NV|NY|OH|OK|OR|PA|RI|SC|SD|TN|TX|UT|VA|VI|VT|WA|WI|WV|WY)([\s|,|.]+)?(\s+\d{5})?([\s|,|.]+)/i

... 至 this其中 900 多个行类文件会动态生成超大规模正则表达式以匹配更多。我不推荐这些(例如， here's a fiddle of the above regex, that makes plenty of mistakes )。没有一个简单的神奇公式可以让它发挥作用。从理论上和理论上来说，用正则表达式匹配地址是不可能的。
USPS Publication 28记录了多种可能的地址格式，以及它们的所有关键字和变体。最糟糕的是，地址通常是不明确的。单词可能意味着不止一件事(“St”可以是“Saint”或“Street”)，而且我很确定有些词是他们发明的。 (谁知道“Stravenue”是街道后缀？)
您需要一些真正理解地址的代码，如果该代码确实存在，那就是商业 secret 。但如果你真的喜欢，你可能会推出自己的。
地址有意想不到的形状和大小
以下是一些人为(但完整)的地址:

1)  102 main street
    Anytown, state

2)  400n 600e #2, 52173

3)  p.o. #104 60203

即使这些可能是有效的:

4)  829 LKSDFJlkjsdflkjsdljf Bkpw 12345

5)  205 1105 14 90210

显然，这些都不是标准化的。不保证标点符号和换行符。这是发生了什么:

1号是完整的，因为它包含一个街道地址和一个城市和州。有了这些信息，就足以识别地址，它可以被认为是“可交付的”(具有一些标准化)。

2号是完整的，因为它包含一个街道地址(带有二级/单元号)和一个 5 位数的邮政编码，足以识别一个地址。

3号是一种完整的邮政信箱格式，因为它包含一个邮政编码。

4号也是完整的因为the ZIP code is unique ，这意味着私有(private)实体或公司已经购买了该地址空间。唯一的邮政编码适用于大容量或集中的交付空间。任何寄往邮政编码 12345 的物品都寄给位于纽约州斯克内克塔迪的通用电气公司。这个例子不会特别传达给任何人，但 USPS 仍然会提供它。

5号也完成了，信不信由你。仅使用这些数字，就可以在针对所有可能地址的数据库进行解析时发现完整地址。当您将每个数字视为一个组成部分时，填写缺少的方向、辅助指示符和 ZIP+4 代码是微不足道的。这是它的外观，完全扩展和标准化:

205 N 1105 W Apt 14

Beverly Hills CA 90210-5221

地址数据不是您自己的
在向许可供应商提供官方地址数据的大多数国家/地区，地址数据本身属于管理机构。在美国，USPS 拥有这些地址。加拿大邮政、皇家邮政和其他公司也是如此，尽管每个国家/地区对所有权的执行或定义略有不同。了解这一点很重要，因为它通常禁止对地址数据库进行逆向工程。您必须小心如何获取、存储和使用数据。
Google map 是快速修复地址的常用工具，但 TOS相当令人望而却步；例如，你不能在不显示谷歌地图的情况下使用他们的数据或 API，并且只能用于非商业目的(除非你付费)，并且你不能存储数据(临时缓存除外)。有道理。谷歌的数据是世界上最好的。但是，Google map 不会验证地址。如果地址不存在，它仍会向您显示地址存在的位置(在您自己的街道上尝试；使用您知道不存在的门牌号)。这有时很有用，但要注意这一点。
提名人 usage policy也有类似的限制，特别是对于大批量和商业用途，并且数据主要来自免费资源，因此维护得不好(例如开放项目的性质)。但是，这可能仍然适合您的需求。一个伟大的社区支持它。
USPS 本身有一个 API，但 it goes down a lot并且不提供任何保证或支持。它也可能很难使用。有些人谨慎使用它没有问题。但是很容易忽略 USPS 要求您仅使用他们的 API 来确认通过它们运送的地址。
人们期望地址很难
不幸的是，我们已经让我们的社会期望地址变得复杂。互联网上有很多关于这方面的优秀 UX 文章。尽管如此，事实是，如果您有一个带有单个字段的地址表单，这就是用户所期望的，即使它使不符合表单期望格式的边缘地址地址变得更加困难，或者表单可能需要一个字段它不应该。或者用户不知道把他们地址的某个部分放在哪里。
这些天我可以继续谈论结帐表单的糟糕用户体验，但相反，我会说将地址组合到一个字段中将是一个受欢迎的变化——人们将能够以他们认为合适的方式输入他们的地址，而不是试图弄清楚你冗长的表格。然而，这种变化是出乎意料的，用户一开始可能会觉得有点刺耳。请注意这一点。
通过在地址之前将 country 字段放在前面，可以部分缓解这种痛苦。当他们首先填写国家/地区字段时，您就知道如何显示您的表单。也许你有处理单字段美国地址的好方法，所以如果他们选择美国，你可以将你的表单减少到单个字段，否则显示组件字段。只是需要考虑的事情!
现在我们知道为什么很难了；你能做些什么呢？
USPS 通过称为 CASS™ 认证的流程许可供应商向客户提供经过验证的地址。这些供应商可以访问每月更新的 USPS 数据库。他们的软件必须符合严格的标准才能获得认证，而且他们通常不需要同意上述讨论的限制条款。
许多 CASS 认证公司可以处理列表或拥有 API:Melissa Data、Experian QAS 和 SmartyStreets，仅举几例。
(由于受到“广告”的抨击，我在这一点上截断了我的答案。由您来找到适合您的解决方案。)
真相:真的，伙计们，我不在这些公司工作。这不是广告。