让人崩溃的需求！从网页中爬取地址信息， Java

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 2238 天前的主题，其中的信息可能已经有所发展或是发生改变。

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

标签

东湖

地址

科技路

26 条回复 • 2018-09-30 00:15:04 +08:00

Aoang

2018-09-29 16:07:16 +08:00 via Android

xx 省 xx 市

Yohann97

2018-09-29 16:20:44 +08:00

@Aoang 明显不行呦

lhx2008

2018-09-29 16:24:43 +08:00 via Android

找地址提取的轮子

lithium4010

2018-09-29 16:28:01 +08:00

具体什么网页？

mhycy

2018-09-29 16:46:34 +08:00

关键字分割后重组

lyusantu

2018-09-29 16:56:17 +08:00

人为开发的都是有一定的规则的

Yohann97

2018-09-29 17:17:26 +08:00

@lhx2008 地址是给定的，不用爬

Yohann97

2018-09-29 17:19:22 +08:00

@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

2018-09-29 17:22:53 +08:00

@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

2018-09-29 17:23:56 +08:00

@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

2018-09-29 17:44:20 +08:00

@Yohann97 这难道是不是 cms 发布出来的吗。。。

zhuangjia

2018-09-29 17:56:04 +08:00

没有头绪。。。

EvilCult

2018-09-29 18:04:34 +08:00

我觉得这事儿需要 py 大佬的人工智能.........

cccssss

2018-09-29 18:06:01 +08:00

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

2018-09-29 18:07:37 +08:00 via Android

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

2018-09-29 18:17:18 +08:00

![]( https://ww1.sinaimg.cn/large/005YhI8igy1fvqkuamd34j313k0fggp5)
用 foolnltk 大该能处理成这样的.

ClutchBear

2018-09-29 18:20:37 +08:00

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

ClutchBear

2018-09-29 18:21:39 +08:00

foolnltk 基本上能满足,
不满足就需要手动调整了.

ClutchBear

2018-09-29 18:24:18 +08:00

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

2018-09-29 18:24:37 +08:00

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')]]