复杂的地址省份城市正则提取

简单的话将你的预定义表导入数组，用preg_replace甚至str_replace（写得好的话后者运行更快）替换就可以了但实际上这里涉及汉语的理解问题，不是电脑能完全完成的，例如“新市”怎样理解？如果仅仅出现“吉林”应该理解为“吉林省”还是“吉林市”？少数民族地区的地名可能更多歧义

可以不可以根据表2与省份表的区号来匹配，相同就插入省份与城市。SQL语句是这样写的：UPDATE china_1 a, config_area b SET a.province = b.area_province,a.city = b.area_city WHERE a.telecode = b.area_telecode 如果使用PHP语言该如何操作呢？

一个简单粗糙的做法。
对于自治区和黑龙江无法匹配，得要继续修改代码。header("content-type:text/html;charset=gbk");
$s = <<<eof
江门市新会区松业办公家具有限公司
北京天之健办公家具展览有限公司
北京市次渠龙鑫美办公家具厂
天津市盛通达办公设备商行
济南市历城区日超办公用品厂
常州市武进区横林强力办公设备厂
中山市中泰龙办公用品有限公司
苏州市奇龙办公设备有限公司
广东名派办公家具制造有限公司
珠海中融信达办公设备商行
北京鑫惠办公设备有限公司
北京爱德天办公家具制造有限公司
北京天之健办公家具有限公司
洛阳市华惠办公家具有限公司
福州市台江区夏威办公设备经营部
广州一铭办公家具有限公司
eof;
$province = array("广东"=>array("江门","中山","珠海","广州"),
"北京"=>array("北京"),
"天津"=>array("天津"),
"江苏"=>array("常州","苏州"),
"福建"=>array("福州"),
"山东"=>array("济南")
);
$zxs = array("北京","上海","天津","重庆");preg_match_all('/(.{4}).*\n/i',$s,$arr);
foreach($arr[1] as $i=>$v){
 if(!array_key_exists($v,$province)){
 foreach($province as $k=>$kv){
 if(in_array($v,$kv)){
 if(preg_match("/".$v."市/",$arr[0][$i])){
 echo $k."省 ".preg_replace("/".$v."市/",$v."市 ",$arr[0][$i])." \n";
 }else{
 echo $k."省 ".preg_replace("/".$v."/",$v."市 ",$arr[0][$i])." \n";
 }
 }
 }
 }else{
 if(in_array($v,$zxs)){
 if(preg_match("/".$v."市/",$arr[0][$i])){
 echo preg_replace("/".$v."市/",$v."市 ",$arr[0][$i])." \n";
 }else{
 echo preg_replace("/".$v."/",$v."市 ",$arr[0][$i])." \n";
 }
 }else{
 if(preg_match("/".$v."省/",$arr[0][$i])){
 echo preg_replace("/".$v."省/",$v."省 ",$arr[0][$i])." \n";
 }else{
 echo preg_replace("/".$v."/",$v."省 ",$arr[0][$i])." \n";
 }
 }
 }
}

预期说是正则匹配，到不如说是寻找的内容（公司所在地）与城市数据字典如何匹配，那就要分析数据字典里面有多少特殊情况，除了特殊情况之外的匹配是一个什么规则（直辖市的问题、带不带"市"、字数问题等），特殊情况则要特殊对待（例如吉林的问题）程序逻辑描述如下
<?php // 因为是中文匹配，为了规范统一，用utf8编码作处理
mb_internal_encoding("UTF-8");/**
* 寻找省份/直辖市/自治区
* @param string $content 找到省份以后，自动去掉找到的省份内容
* @retrun string 寻找到省份/直辖市/自治区名
*/
function findProvince(&$content) {

$province = '';

// 匹配省份/直辖市/自治区的快捷寻找
foreach(array('省', '市', '自治区') as $find) {
$pos = mb_string($content, $find);
if($pos !== false) {
// 内容含有寻找的内容
$province = mb_substr($content, 0, $pos);

// 是否存在这个省
if(findProvinceByName($province)) {
// 内容去掉省份
$content = mb_substr($content, $pos + 1);
return $province;
}

}
}

// 根据省份命名规则的最大长度匹配省份,从1开始是因为最少要2字
$minlen = 1;
$maxlen = 9;
for($i = $minlen; $i < $maxlen - 1; $i++) {
$province = mb_substr($content, $i, $maxlen);

foreach(array('省', '市', '自治区') as $fix) {
// 是否存在这个省
if(findProvinceByName($province + $fix)) {
// 内容去掉省份
$content = mb_substr($content, $pos + 1);
return $province;
}
}

}

// 没有找到省份
return '';
}/**
* 按名称寻找省份/直辖市/自治区
* @param string $name
* @retrun string 寻找到省份/直辖市/自治区名
*/
function findProvinceByName($name) {

// 所有的省份/直辖市/自治区（全称，你可以自行设计）
$provinces = array();

return array_search($name, $provinces);
}/**
* 寻找城市
* @param string $content 找到城市以后，自动去掉找到的城市内容
* @retrun string 寻找到城市名
*/
function findCity(&$content) {

// 第一轮寻找直辖市过后，理论上出现的“市”不会再有直辖市
$find = '市';
$pos = mb_string($content, $find);
if($pos !== false) {
// 内容含有寻找的内容
$city = mb_substr($content, 0, $pos);

// 是否存在这个城市
if(findCityByName($city)) {
// 内容去掉城市
$content = mb_substr($content, $pos + 1);
return $city;
}

}

// 根据城市命名规则的最大长度匹配城市,从1开始是因为最少要2字
$minlen = 1;
$maxlen = 9;
for($i = $minlen; $i < $maxlen - 1; $i++) {
$city = mb_substr($content, $i, $maxlen);

$fix = '市';
// 是否存在这个城市
if(findCityByName($city + $fix)) {
// 内容去掉城市
$content = mb_substr($content, $pos + 1);
return $city;
}

}
return '';
}/**
* 根据城市寻找省份
* @param string $city
* @retrun string 寻找到省份
*/
function findProvinceByCity($city) {
// 省份与城市的关联数据(全称例如array('中山市'=>'广东省')
$province_cities = array();

if(isset($province_cities[$city])) {
return $province_cities[$city];
} else {
throw new Exception($city . ' : 未找到省份关联', 2);
}
}/**
* 寻找城市
* @param string $name
* @retrun string 寻找到的城市（省份+城市）
*/
function findCityByName($name) {
// 所有城市集合（全称，你可以自行设计）
$cities = array();

return array_search($name, $cities);
}// 将内容分割成数组
$findContents = array();foreach($findContents as $content) {

// 先找省份也就是“吉林”永远首先匹配“吉林省”
$province = findProvince($content);

$city = findCity($content);

// 没有找到省份
if(!$province) {

if(!$city) {
// 没有找到城市，报错修改规则吧
throw new Exception($content . ': 没有找到任何规则匹配', 1);
}

// 内容只包含有城市信息
$province = findProvinceByCity($city);
}

// 自行定义输出模式
echo $province . ' ' . $city . ' ' . $content;
}
未经任何测试只是一个大概思路

life169,你好！
能介绍一下这个正则表达式吗？'/(.{4}).*\n/i'我测式的时候，这个正则表达式不成立，不能匹配到省份或城市

我用的是gbk编码而你用的是utf-8编码
utf8是3字节 gbk是2字节
当然不能匹配了

utf-8的用这个header("content-type:text/html;charset=utf-8");
$s = <<<eof
江门市新会区松业办公家具有限公司
北京天之健办公家具展览有限公司
北京市次渠龙鑫美办公家具厂
天津市盛通达办公设备商行
济南市历城区日超办公用品厂
常州市武进区横林强力办公设备厂
中山市中泰龙办公用品有限公司
苏州市奇龙办公设备有限公司
广东名派办公家具制造有限公司
珠海中融信达办公设备商行
北京鑫惠办公设备有限公司
北京爱德天办公家具制造有限公司
北京天之健办公家具有限公司
洛阳市华惠办公家具有限公司
福州市台江区夏威办公设备经营部
广州一铭办公家具有限公司
eof;
$province = array("广东"=>array("江门","中山","珠海","广州"),
"北京"=>array("北京"),
"天津"=>array("天津"),
"江苏"=>array("常州","苏州"),
"福建"=>array("福州"),
"山东"=>array("济南")
);
$zxs = array("北京","上海","天津","重庆");preg_match_all('/(.{6}).*\n/i',$s,$arr);
foreach($arr[1] as $i=>$v){
 if(!array_key_exists($v,$province)){
 foreach($province as $k=>$kv){
 if(in_array($v,$kv)){
 if(preg_match("/".$v."市/",$arr[0][$i])){
 echo $k."省 ".preg_replace("/".$v."市/",$v."市 ",$arr[0][$i])." \n";
 }else{
 echo $k."省 ".preg_replace("/".$v."/",$v."市 ",$arr[0][$i])." \n";
 }
 }
 }
 }else{
 if(in_array($v,$zxs)){
 if(preg_match("/".$v."市/",$arr[0][$i])){
 echo preg_replace("/".$v."市/",$v."市 ",$arr[0][$i])." \n";
 }else{
 echo preg_replace("/".$v."/",$v."市 ",$arr[0][$i])." \n";
 }
 }else{
 if(preg_match("/".$v."省/",$arr[0][$i])){
 echo preg_replace("/".$v."省/",$v."省 ",$arr[0][$i])." \n";
 }else{
 echo preg_replace("/".$v."/",$v."省 ",$arr[0][$i])." \n";
 }
 }
 }
}?>

调试易

复杂的地址省份城市正则提取

解决方案 »