从抓取的文本中提取非结构化地址和电子邮件ID作为变量-Python

Question

我是python的新手，所以如果它看起来很简单，请原谅我。以下代码成功抓取了一个网页。有没有一种方法可以从此文本中提取地址，电子邮件ID和联系电话，并将其放在数据框中。我已经搜索了两种方法：-

• 正则表达式-但是它可能无法正常工作，因为我有很多网站需要抓取，并且 地址可能并不总是以规则的方式构造。
• Pyap-仅适用于美国和加拿大地址。

除了上述两种方法以外，还有没有其他方法可以获取所需的详细信息：-

svm.fit(features,imgs_labels)

感谢您的帮助！

Answer 1

可以通过修改与大多数地址格式匹配的表达式来使用正则表达式> br>

import re

txt = ...
regexp = "[0-9]{1,3} .+, .+, [A-Z]{2} [0-9]{5}"
address = re.findall(regexp, txt)

# address = ['44 West 22nd Street, New York, NY 12345']

说明：

[0-9]{1,3}：1到3位数字，地址号码

(space)：数字和街道名称之间的空格

.+：街道名称，出现任意次数的任意字符

,：城市前的逗号和空格

.+：城市，出现任意次数的任意字符

,：状态前的逗号和空格

[A-Z]{2}：从A到Z恰好是2个大写字符

[0-9]{5}：5位数字

re.findall(expr, string)将返回一个包含所有找到的匹配项的数组。