如何从HTML中提取地址和电话号码？

Question

是否有专门解析此类数据的库？

Answer 1

您可以使用Google地图等内容。对地址进行地理编码，如果成功，Google的API将返回地址的XML表示形式，并将所有元素分开（并更正或完成）。

编辑：

我被选中了，不知道为什么。解析地址可能有点困难。以下是使用Google执行此操作的示例：

http://blog.nerdburn.com/entries/code/how-to-parse-google-maps-returned-address-data-a-simple-jquery-plugin

我不是说这是唯一的方式，也不一定是最好的方法。只需一种方式来解析网站上的地址。

Answer 2

这有两个部分：从页面中提取完整的地址，并将该地址解析为可以使用的地址（例如，将各个部分存储在数据库中）。

对于第一部分，您需要一个启发式，最有可能依赖于国家/地区：对于美国地址[A-Z][A-Z],?\s*\d\d\d\d\d，应该为您提供一个地址的结尾，前提是这两个字母是一个州。找到字符串的开头是一个练习。

第二部分可以通过调用Google地图来完成，也可以像在Perl中一样，使用CPAN模块完成：Lingua::EN::AddressParse（在您的数据上测试它以查看它是否适合您）。

在任何情况下，这都是一项艰巨的任务，你很可能永远不会100％正确，所以计划在使用之前手动检查地址。

Answer 3

你不需要正则表达式（还有）像pyparsing这样的通用解析器（根本）。看看像Beautiful Soup这样的东西，它甚至会将糟糕的HTML解析成类似于标签树的东西。从那里，您可以查看页面的来源，并找出要深入了解哪些标记以获取数据。然后，从Beautiful Soup的树中，您可以使用XPath（在最新版本中）搜索这些节点，并直接遍历您感兴趣的标记，轻松获取实际数据。从那里，您可以使用快速正则表达式或其他东西来解析数据。与纯粹的正则表达式相比，这将更加灵活，更具前瞻性，也可能更少爆发性。