在空余时间收集整理数据集的时候，发现了行政区划的数据集，并正好找到了DQinYuan大佬写的一个cpca工具，于是依葫芦画瓢，自己动手实现了一个简易版本（我构思中的一些功能，cpca没有提供，于是才有了该工具）。

1.简介

该工具提供的功能如下：

根据输入的地址解析出省市区，及其下标位置；（与cpca类似）
支持添加省份，添加市，添加区县；（主要是考虑由于历史或地域原因，有些省市区县名字更换或取消或新增，而数据库中未收录）
根据地址查询区号；
根据区号查询地址；
根据地址查询邮政编码；
根据邮政编码查询地址；
支持添加区号和邮政编码。

2.代码解析

地址解析的主要代码由resolution函数实现，该函数利用jieba分词对输入地址进行分词后，依次匹配省市区信息，如果匹配到对应信息，则将其填充到result中的对应字段，并记录该字段所在的下标。如果result中的省、市字段未在输入原文中出现，而是通过行政区划词典推理得到（某些区县对应的省市信息是唯一的），则那些推理出来的字段下标保持初始化[-1, -1]不变。

def resolution(location):
    if not isinstance(location, str) or not location:
        raise Exception('input must string.')
    result = {
        'province': '',
        'city': '',
        'county': '',
        'province_loc': [-1, -1],
        'city_loc': [-1, -1],
        'county_loc': [-1, -1],
        'address': ''
    }

    def __set_province(word, loc):
        result['province'] = province[word]
        result['province_loc'] = [loc, loc + len(word)]

    def __set_city(word, loc):
        result['city'] = city_province[word][1]
        result['city_loc'] = [loc, loc + len(word)]
        if not result['province']:
            result['province'] = city_province[word][0]

    def __set_county(word, loc):
        candidate_province_city_county = list(county_city_province[word])
        for item in candidate_province_city_county:
            if result['province']:
                if item[0] == result['province']:
                    if result['city']:
                        if item[1] == result['city']:
                            result['county'] = item[2]
                            result['county_loc'] = [loc, loc + len(word)]
                            return
                    else:
                        # 如果相同省份，相同区县对应的市有多个（如江苏省南京市鼓楼区和江苏省徐州市鼓楼区），则不填充市
                        if len(set([d[1] for d in candidate_province_city_county if d[0] == result['province']])) == 1:
                            result['city'] = item[1]
                        result['county'] = item[2]
                        result['county_loc'] = [loc, loc + len(word)]
                        return
            else:
                if result['city']:
                    if item[1] == result['city']:
                        if len(set([d[0] for d in candidate_province_city_county if d[1] == result['city']])) == 1:
                            result['province'] = item[0]
                else:
                    if len(candidate_province_city_county) == 1:
                        result['province'], result['city'] = item[0], item[1]
                result['county'] = item[2]
                result['county_loc'] = [loc, loc + len(word)]

    loc = 0
    words = seg_tokenizer.lcut(location)
    for word in words:
        if word in province and not result['province']:
            __set_province(word, loc)
        elif word in city_province and not result['city']:
            __set_city(word, loc)
        elif word in county_city_province and not result['county']:
            __set_county(word, loc)
        loc += len(word)
    if not result['city'] and result['province'] in ('北京市', '上海市', '天津市', '重庆市'):
        result['city'] = result['province']
    vaild_loc = [v[1] for k, v in result.items() if k in ('province_loc', 'city_loc', 'county_loc') and v[1] > -1]
    result['address'] = location[max(vaild_loc):] if vaild_loc else location
    return result

支持用户添加省、市、区县的功能分别由add_province、add_city、add_county函数实现，考虑到用户添加的省、市、区县未必与代码中规定的格式相同，因此在添加到省、市、区县之前都会对用户输入的省、市、区县进行标准化处理（__standardize_province、__standardize_city, __standardize_county），如此一来即可兼容用户添加的省、市、区县信息。具体实现逻辑可参考Github源码。

3.测试示例

解析地址中的省、市、区县信息

[In] print(resolution('湖北武汉东西湖区金银潭医院'))
[Out] {'province': '湖北省', 'city': '武汉市', 'county': '东西湖区', 'province_loc': [0, 2], 'city_loc': [2, 4], 'county_loc': [4, 8], 'address': '金银潭医院'}

用户添加省、市、区县信息

[In] print(resolution('**台北市松山区台北松山机场'))
[Out] {'province': '内蒙古自治区', 'city': '赤峰市', 'county': '松山区', 'province_loc': [-1, -1], 'city_loc': [-1, -1], 'county_loc': [5, 8], 'address': '台北松山机场'}

由于**省未在行政区划词典中（中华人民共和国民政局全国行政区划查询平台未收录），而内蒙古也有个松山区，因此会将**省的松山机场匹配到内蒙古。当用户添加**省后，就不会存在上述情况。

# 添加省
add_province('**省')
[In] print(resolution('**台北市松山区台北松山机场'))
[Out] {'province': '**省', 'city': '', 'county': '', 'province_loc': [0, 2], 'city_loc': [-1, -1], 'county_loc': [-1, -1], 'address': '台北市松山区台北松山机场'}
# 添加市
[In] add_city('**省', '台北市')
[In] print(resolution('**台北市松山区台北松山机场'))
[Out] {'province': '**省', 'city': '台北市', 'county': '', 'province_loc': [0, 2], 'city_loc': [2, 5], 'county_loc': [-1, -1], 'address': '松山区台北松山机场'}
# 添加区县
[In] add_county('**省', '台北市', '松山区')
[In] print(resolution('**台北市松山区台北松山机场'))
[Out] {'province': '**省', 'city': '台北市', 'county': '松山区', 'province_loc': [0, 2], 'city_loc': [2, 5], 'county_loc': [5, 8], 'address': '台北松山机场'}

查区号

# 根据地址查询区号
[In] print(query_area_code('湖北武汉东西湖区金银潭医院'))
[Out] {'top1': '027', 'top2': '', 'top3': ''}
# 根据区号查询地址
[In] print(query_area_code('027'))
[Out] {'top1': '湖北省武汉市', 'top2': '湖北省鄂州市华容区', 'top3': ''}

ps：湖北省鄂州市华容区正在试行027区号 查邮政编码

# 根据地址查询邮政编码
[In] print(query_post_code('湖北武汉东西湖区金银潭医院'))
[Out] {'top1': '430040', 'top2': '', 'top3': ''}
# 根据邮政编码查询地址
[In] print(query_post_code('430040'))
[Out] {'top1': '湖北省武汉市东西湖区', 'top2': '', 'top3': ''}

后记

代码中的行政区划数据爬取自中华人民共和国民政局全国行政区划查询平台
ps:爬虫代码或数据均可关注公众号【NLPer笔记簿】获取，回复“爬虫”获取爬虫代码；回复“行政区划”获取完整数据。
公众号【NLPer笔记簿】已连接该工具，可关注公众号体验

molihuan / addressresolution Goto Github PK

addressresolution's Introduction

1.简介

2.代码解析

3.测试示例

后记

addressresolution's People

Contributors

Recommend Projects

React

Vue.js

Typescript

TensorFlow

Django

Laravel

D3

Recommend Topics

javascript

web

server

Machine learning

Visualization

Game

Recommend Org

Facebook

Microsoft

Google

Alibaba

D3

Tencent