本项目旨在将不规范(或者连续)的文本地址进行尽可能的标准化, 以及对两个地址进行相似度的计算。
地理编码技术, 主要分为如下步骤
- 地址标准库
- 地址标准化
- 相似度计算
https://central.sonatype.com/artifact/org.bitlap/geocoding
方法调用: Geocoding
类
- normalizing: 标准化
- analyze: 解析成分词文档
- similarity: 相似度计算
- similarityWithResult: 相似度计算, 返回包含更多丰富的数据
>> 输入: 山东青岛市北区山东省青岛市市北区水清沟街道九江路20号大都会3号楼2单元1303
>> 输出:
Address(
provinceId=370000000000, province=山东省,
cityId=370200000000, city=青岛市,
districtId=370203000000, district=市北区,
streetId=370203030000, street=水清沟街道,
townId=null, town=null,
villageId=null, village=null,
road=九江路,
roadNum=20号,
buildingNum=3号楼2单元1303,
text=大都会
)
>> 输入: 上海上海宝山区宝山区【新沪路58弄11-802 水韵华庭 】 (水韵华庭附近)
>> 输出:
Address(
provinceId=310000000000, province=上海,
cityId=310100000000, city=上海市,
districtId=310113000000, district=宝山区,
streetId=null, street=null,
townId=null, town=null,
villageId=null, village=null,
road=新沪路,
roadNum=58弄,
buildingNum=11-802,
text=水韵华庭水韵华庭附近
)
- 返回的对象解释
- province相关: 省
- city相关: 市
- district相关: 区、县
- street相关: 街道
- town相关: 乡镇
- village相关: 村
- road: 道路
- roadNum: 路号
- buildingNum: 建筑物号
- text: 标准化后为匹配的地址。一般包含小区, 商场名称等信息
注: 如果对text的结果不是很满意, 比如出现重复或不准确, 可以通过分词的手段解决
>> 输入:
浙江金华义乌市南陈小区8幢2号
浙江金华义乌市稠城街道浙江省义乌市宾王路99号后面南陈小区8栋2号
>> 输出:
0.8451542547285166
>> 输入:
山东省沂水县四十里堡镇东艾家庄村206号
浙江金华义乌市南陈小区8幢2号
>> 输出:
0.0
// 加载自定义地址文件
val geocoding = GeocodingX("region_2021.dat")
// 添加自定义区县"临平区"
geocoding.addRegionEntry(330113000000, 330100000000, "临平区", RegionType.District, "", true)
// 保存自定义字典文件
geocoding.save("xxx.dat")
// 100000000000 代表**的ID
Geocoding.addRegionEntry(88888888, 100000000000, "尼玛省", RegionType.Province)
Geocoding.addRegionEntry(8888888, 88888888, "尼玛市", RegionType.City)
Geocoding.addRegionEntry(888888, 8888888, "泥煤市", RegionType.District)
>> 输入: **尼玛省尼玛市泥煤市泥煤大道888号xxx
>> 输出:
Address(
provinceId=88888888, province=尼玛省,
cityId=8888888, city=尼玛市,
districtId=888888, district=泥煤市,
streetId=null, street=null,
townId=null, town=null,
villageId=null, village=null,
road=泥煤大道,
roadNum=888号,
buildingNum=null,
text=xxx
)
Tips: 可以从「国家标准地址库」中获取「父级城市ID」
项目目前采用的是 淘宝物流4级地址 的标准地址库, 也可以采用国家的标准地址库
(对应的github库, **5级行政区域mysql库).
标准库文件 | 描述 | 参考 | 感谢 |
---|---|---|---|
region_2021.dat | 国家标准地址库2021 | ISSUE-163 | TsLenMo、weijiang.lin |
使用方式:文件下载到classpath
,使用自定义的GeocodingX
类即可。
- 首先基于正则提取出道路、建筑物号等信息
- 省市区等匹配
- 将标准的地址库建立倒排索引
- 将文本从起始位置开始, 采用最大长度优先的方式匹配所有词条
- 对所有匹配结果进行标准行政区域从属关系校验
- 对输入的两个地址进行标准化
- 对省市区等信息分配不同的权重
- 对道路号, 建筑号进行语义处理, 分配权重
- 对剩余文本(text)使用IK Analyzer进行分词
- 对两个结果集使用余弦相似度算法计算相似度
项目参考address-semantic-search,简化了流程,修复了各种不规则错误,使得使用更加方便。
- Python封装库:casuallyName/Geocoding
MIT