从地址字符串中捕获城市、州和邮编的正则表达式

Question

我试图编写一个正则表达式语句，只匹配地址中的城市、州和邮编部分。这里有一些我正在使用的地址示例。

3333 Josephine AVE #114 Temecula, CA 99999
11111 MERIT CIR #113 Laguna Hills, CA 99999

我目前有以下的模式。

[\,].*

但是这只捕获了逗号分隔城市和州之后的所有内容。

有没有一种方法可以捕获逗号之前的字符串[City]，并且也适用于城市由两个单词组成的情况（例如洛杉矶）。

任何帮助都将不胜感激！提前致谢。

- James Vaughn III

---

不可靠，没有捷径。当您拥有不规则或错误的数据时，最好重新生成CSV或某些可解析格式的数据。 - Todd A. Jacobs

Answer 1

这个正则表达式将城市、州和邮政编码分别捕获在第1、2和3组中：

#\d+ ([^,]+), ([A-Z]{2}) (\d{5})

请查看实时演示。

- Bohemian

---

那个演示非常棒。谢谢你。我花了太多时间来尝试解决我所需的地址解析问题。 - DeadlyChambers

Answer 2

在正则表达式中，要捕获精确的状态是很困难的，或者说需要一个非常长的正则表达式。然而，我已经测试过了，这就是我的结果。

/([A-Z][a-z]+\s?)+,\s[A-Z]{2}\s\d{5}-?\d{4}?/

它匹配了这个

Gfdsdf Gfdsf, CA 43534

这里是细节： () - 这个捕获括起来的正则表达式 [A-Z] - 查找所有大写字母。 [a-z]+ - 后面跟着一个或多个小写字母。 \s? - 后面跟着一个可选的空格。 + - 这允许我们在城市名中有多个单词。 ,\s - 这紧随其后的是逗号和一个空格。 [A-Z]{2} - 国家ISO代码每个州都是两个字母。显然，在这个简单的例子中，它会包括虚假的州，但是如果不这样做，正则表达式就太长了。 \d{5} - 以五位数字邮政编码结尾。 -?\d{4}? - 可选匹配zip+4格式。它不是必需的。

- Richard Hamilton

---

ZIP+4呢？ :) - Todd A. Jacobs

我不知道那是什么意思。 - Richard Hamilton

这是一个标准的美国格式，例如 12345-6789。并不是你的解决方案有问题，而是 OP 的语料库非常有限，不能代表真实世界的数据。整个问题是一个 X/Y 问题。 - Todd A. Jacobs

明白了。向这个正则表达式添加一个条件很容易。 - Richard Hamilton

我有点困惑为什么它不匹配FENTON, MO 63206。最后的ZIP+4部分应该是可选的，但是如果没有它，它就会失败... - undefined

Answer 3

只需要你的语料库中包含套房/公寓号码，你就可以使用以下方法：

$ echo '3333 Josephine AVE #114 Temecula, CA 99999
11111 MERIT CIR #113 Laguna Hills, CA 99999' |
pcregrep -o '#\d+ \K.*'
Temecula, CA 99999
Laguna Hills, CA 99999

然而，如果您有不规则的数据，不像CSV那样有明确定义的格式，您将会遇到问题。例如，街道名称中有两个或更多单词的地址，或者没有公寓号码的地址？

真正的解决方案是使用类似CSV的标准化格式重新生成您的数据。如果您无法这样做，则解析符合规范的数据（例如具有7个字段的行），然后仔细查看希望很小的剩余部分。

- Todd A. Jacobs

Answer 4

我相信有更好的方法来完成这个任务，但你可以尝试使用以下正则表达式：

(\d*)\s+((?:[\w+\s*-])+)[\,]\s+([a-zA-Z]+)\s+([0-9a-zA-Z]+)

第一组：公寓/房屋编号

第二组：城市（可能包含多个空格、下划线和破折号）

第三组：州/省代码

第四组：邮政编码（可能由字母和数字组成）

这将匹配以下所有情况： 3333 Josephine AVE＃114 Temecula，CA 99

11111 MERIT CIR＃113 Laguna Hills，CA 99999

11111 MERIT CIR＃113 ddwwqs Laguna Hills，CA 99999

11111 MERIT CIR＃113 sss ssss sss xs，CA 99999

11111 MERIT CIR＃113 hkjkhuhuh，CAdsdsd T3B2R1

11111 MERIT CIR＃113 dsadsa-ddasdas，CAdsdsd T2N21T

在这里查看演示：http://www.regexr.com/3cuds

- YousraA