Алгоритмы, распознающие физический адрес на веб-странице

Если также необходимо обработать международные адреса, Вы находитесь в для мира головных болей; международные форматы адреса удивительно варьируются.

Если у Вас есть надлежащая разметка — и не только текст от страницы — я второй Красивое предложение Супа выше. В частности, тег адреса должен обеспечить самый низкий из низко висящего плода. Также изучите adr микроформат. Я был бы только falll назад к regexes, если первые два не вытягивали достаточно информации, или у меня не было необходимых данных для поиска первых двух.

Я предположил бы, что Google проявляет два подхода шага к проблеме (по крайней мере это - то, что я сделал бы). Сначала они используют некоторый шаблон довольно общего поиска для выбирания всего, что могло быть адресом, и затем они используют свою базу данных карты, чтобы искать ту строку и видеть, получают ли они какие-либо соответствия. Если они делают это - вероятно, адрес, если они не делают этого, вероятно, не. Если можно использовать базу данных карты в коде, который, вероятно, сделает жизнь легче.

Если Вы не можете ограничить географическое положение адресов, я предполагаю, что в значительной степени невозможно идентифицировать строку как адрес только путем парсинга его, просто из-за огромного изменения форматов адреса, используемых во всем мире.

Не используйте регулярные выражения. Используйте существующий синтаксический анализатор HTML, например, в Python, который я настоятельно рекомендую BeautifulSoup. Даже если Вы используете регулярное выражение для парсинга элементов HTML захваты BeautifulSoup.

Если Вы делаете это со своим собственным regexs, не только необходимо волноваться о нахождении данных, которых Вы требуете, необходимо волноваться о вещах как недопустимый HTML и большом количестве других очень неочевидных проблем, которые Вы споткнетесь..

Снова, регулярные выражения должны добиться цели.

Из-за большого разнообразия адресов можно только предположить, является ли строка адресом или не по выражению как" (число), (имя) Street|Boulevard|Main", и т.д.

Можно рассмотреть изучение некоторых расширений Firefox, которые имеют целью отображать адреса, которые, как находят в тексте, видели, как они работают

То, что Вы спрашиваете, является действительно настоящей тяжелой проблемой, если Вы хотите получить ее прекрасный. В то время как простой regexp получит его главным образом правильный большинство из них время, пишущий то, которое доберется, это точно прямо каждый раз жестоко твердо. Существует много странных угловых случаев и в нескольких случаях нет никакого единственного однозначного ответа. Большинство веб-сайтов, которые я видел к довольно безнадежному делу, обрабатывающему всех кроме самых простых URL.

Если Вы хотите спуститься по маршруту regexp, Ваш лучший выбор состоит в том, чтобы, вероятно, проверить исходный код http://metacpan.org/pod/Regexp::Common::URI::http