让人崩溃的需求！从网页中爬取地址信息， Java

[Yohann97]

我现在的做法，用 jsoup 去标签，然后在得到的字符串里面找地址

可是！！！ 地址没什么规律啊

有的在一个标签里,有的在多个标签里，还有的中间有逗号

无语。。。。。

所以大佬们有什么建议能帮帮我这只小菜鸡么

示例： 湖北省武汉市武昌区东湖西路特 2 号平安财富中心（东湖大厦正对面） B 座 7 楼 桂林市公共资源交易中心 4 号 柳州市柳江新城区，北接柳江大道（原堡隆路），南至南一路（原广场北路） 江苏省淮安市高教园区科技路 山东省淄博市张店区北西五路 68

[Aoang]

xx 省 xx 市

[Yohann97]

@Aoang 明显不行呦

[lhx2008]

找地址提取的轮子

[lithium4010]

具体什么网页？

[mhycy]

关键字分割后重组

[lyusantu]

人为开发的都是有一定的规则的

[Yohann97]

@lhx2008 地址是给定的，不用爬

[Yohann97]

@lithium4010 http://www.ccgp-hubei.gov.cn/notice/201809/notice_qMAaWf075NvWHN4f.html http://www.ccgp-hubei.gov.cn/notice/201809/notice_IitNgCKROYm31zNf.html 这样的

[Yohann97]

@mhycy 嗯嗯，想过，但是关键字不好确定，可以看下我放的那两个网址。而且比如“地址”的话是很常见的关键字，后面跟的不一定是地址，比如“单位地址：_____________________________”，这样的

[Yohann97]

@lyusantu 说实话，我感觉要么是好几个人开发的，要么是机器生成的

[xycool]

@Yohann97 这难道是不是 cms 发布出来的吗。。。

[zhuangjia]

没有头绪。。。

[EvilCult]

我觉得这事儿需要 py 大佬的人工智能.........

[cccssss]

你找找发快递时候，app 里粘贴一段文本就能识别地址的轮子

[kokutou]

看看顺丰和圆通的微信小程序？
地址自动识别，但是提供对话框让用户查错修改。

[ClutchBear]

用 foolnltk 大该能处理成这样的.

[ClutchBear]

https://ww1.sinaimg.cn/large/005YhI8igy1fvqky2fy79j313u0ggn0n
或者这样

[ClutchBear]

foolnltk 基本上能满足,
不满足就需要手动调整了.

[ClutchBear]

代码
```
import fool
text = """七、采购人联系方式

采购单位：湖北省梁子湖管理局

地 址：鄂州市梁子湖区梁子镇广场大道 1 号

联 系 人：袁主任

电 话：0711-2473006

八、代理机构联系方式

单 位：武汉渤正项目管理有限公司

地 址：武汉市中北路楚河汉街同成富苑 A 座 2706

邮 编：430077

联 系 人：刘工

电 话：027-86615324"""
words, ners = fool.analysis(text)
print(ners)
```
<script src="https://gist.github.com/playbear/c89115a6905d9f346ffeb70c5543fc62.js"></script>

[ClutchBear]

结果
[[(16, 34, 'location', '湖北省梁子湖管理局\n\n 地 址'), (34, 55, 'location', '鄂州市梁子湖区梁子镇广场大道 1 号\n\n'), (60, 64, 'person', '袁主任'), (63, 67, 'person', '\n\n 电'), (66, 70, 'person', ' '), (105, 118, 'company', '武汉渤正项目管理有限公司'), (126, 147, 'location', '武汉市中北路楚河汉街同成富苑 A 座 2706'), (169, 173, 'person', '刘工\n')]]

[arerec]

用一些自然语言处理的 命名实体识别的轮子，提取地址类的实体

[ClutchBear]


[ClutchBear]

贴图再试试

[Yohann97]

@xycool 嗯嗯，不太懂这些，刚刚看了下，对于这种 cms 发布的东西有什么好的处理方法么

[ccnccy]

看你两个网址爬
址: 后面的信息不就行了

[Yohann97]

@ccnccy 哈哈，思路清奇，早点睡，明天去试试。不过存在 地址冒号空格加分段地址的情况