7.2. 个案研究：街道地址

优质

小牛编辑

130浏览

2023-12-01

7.2. 个案研究：街道地址

这一系列的例子是由我几年前日常工作中的现实问题启发而来的，当时我需要从一个老化系统中导出街道地址，在将他们导入新的系统之前，进行清理和标准化。（看，我不是只将这些东西堆到一起，他有实际的用处）。这个例子展示我如何处理这个问题。

例 7.1. 在字符串的结尾匹配

>>> s = '100 NORTH MAIN ROAD'
>>> s.replace('ROAD', 'RD.')               
'100 NORTH MAIN RD.'
>>> s = '100 NORTH BROAD ROAD'
>>> s.replace('ROAD', 'RD.')               
'100 NORTH BRD. RD.'
>>> s[:-4] + s[-4:].replace('ROAD', 'RD.') 
'100 NORTH BROAD RD.'
>>> import re                              
>>> re.sub('ROAD$', 'RD.', s)               
'100 NORTH BROAD RD.'

	我的目标是将街道地址标准化，'ROAD'通常被略写为'RD.'。乍看起来，我以为这个太简单了，只用字符串的方法replace就可以了。毕竟，所有的数据都已经是大写的了，因此大小写不匹配将不是问题。并且，要搜索的串'ROAD'是一个常量，在这个迷惑的简单例子中，s.replace的确能够胜任。
	不幸的是，生活充满了特例，并且我很快就意识到这个问题。比如：'ROAD'在地址中出现两次，一次是作为街道名称'BROAD'的一部分，一次是作为'ROAD'本身。replace方法遇到这两处的'ROAD'并没有区别，因此都进行了替换，而我发现地址被破坏掉了。
	为了解决在地址中出现多次'ROAD'子串的问题，有可能采用类似这样的方法：只在地址的最后四个字符中搜索替换'ROAD'(s[-4:])，忽略字符串的其他部分(s[:-4])。但是，你可能发现这已经变得不方便了。例如，该模式依赖于你要替换的字符串的长度了（如果你要把'STREET'替换为'ST.'，你需要利用s[:-6]和s[-6:].replace(...)）。你愿意在六月个期间回来调试他们么？我本人是不愿意的。
	是时候转到正则表达式了。在Python中，所有和正则表达式相关的功能都包含在re模块中。
	来看第一个参数：'ROAD$'。这个正则表达式非常简单，只有当'ROAD'出现在一个字符串的尾部时才会匹配。字符$表示“字符串的末尾”（还有一个对应的字符，尖号^，表示“字符串的开始”）。
	利用re.sub函数，对字符串s进行搜索，满足正则表达式'ROAD$'的用'RD.'替换。这样将匹配字符串s末尾的'ROAD'，而不会匹配属于单词'ROAD'一部分的'ROAD'，这是因为它是出现在s的中间。

继续我的清理地址的故事，很快，我发现上面的例子，仅仅匹配地址末尾的'ROAD'不是很好，因为不是所有的地址都包括一个街道的命名；有一些是以街道名结尾的。大部分情况下，不会遇到这种情况，但是，如果街道名称为'BROAD'，那么正则表达式将会匹配'BROAD'的一部分为'ROAD'，而这并不是我想要的。

例 7.2. 匹配整个单词

>>> s = '100 BROAD'
>>> re.sub('ROAD$', 'RD.', s)
'100 BRD.'
>>> re.sub('\\bROAD$', 'RD.', s)  
'100 BROAD'
>>> re.sub(r'\bROAD$', 'RD.', s)  
'100 BROAD'
>>> s = '100 BROAD ROAD APT. 3'
>>> re.sub(r'\bROAD$', 'RD.', s)  
'100 BROAD ROAD APT. 3'
>>> re.sub(r'\bROAD\b', 'RD.', s) 
'100 BROAD RD. APT 3'

	我真正想要做的是，当'ROAD'出现在字符串的末尾，并且是作为一个独立的单词时，而不是一些长单词的一部分，才对他进行匹配。为了在正则表达式中表达这个意思，你利用\b，它的含义是“单词的边界必须在这里”。在Python中，由于字符'\'在一个字符串中必须转义这个事实，从而变得非常麻烦。有时候，这类问题被称为“反斜线灾难”，这也是Perl中正则表达式比Python的正则表达式要相对容易的原因之一。另一方面，Perl也混淆了正则表达式和其他语法，因此，如果你发现一个bug，很难弄清楚究竟是一个语法错误，还是一个正则表达式错误。
	为了避免反斜线灾难，你可以利用所谓的“原始字符串”，只要为字符串添加一个前缀 'r' 就可以了。这将告诉Python，字符串中的所有字符都不转义；'\t'是一个制表符，而r'\t'是一个真正的反斜线字符'\'，紧跟着一个字母 't' 。我推荐只要处理正则表达式，就使用原始字符串；否则，事情会很快变得混乱（并且正则表达式自己也会很快被自己搞乱了）。
	（一声叹息），很不幸，我很快发现更多的与我的逻辑相矛盾的例子。在这个例子中，街道地址包含有作为整个单词的'ROAD'，但是他不是在末尾，因为地址在街道命名后会有一个房间号。由于'ROAD'不是在每一个字符串的末尾，没有匹配上，因此调用re.sub没有替换任何东西，你获得的知识初始字符串，这也不是我们想要的。
	为了解决这个问题，我去掉了$字符，加上另一个\b。现在，正则表达式“匹配字符串中作为整个单词出现的'ROAD'了”，不论是在末尾、开始还是中间。