别用单一大而全的正则匹配整个地址，应分层剥离干扰项：先清除固定格式电话、邮箱及纯乱码，保留中文、字母、数字和常见标点，再针对性提取门牌号并校验上下文。
地址里混着电话、邮箱、乱码，re.sub() 怎么写才不误删？
直接上结论：别用单一大而全的正则去“匹配整个地址”，先分层剥离干扰项。地址混乱时，最常误删的是带数字的街道名（如“长安街1号”被当成电话删掉）或含@的小区名（如“梧桐@社区”被当成邮箱干掉）。
实操建议：
- 优先用
re.sub()清除明确无歧义的噪声：固定格式电话（r'\d{3,4}-?\d{7,8}'）、邮箱（r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'）、纯乱码段（r'[^\w\u4e00-\u9fa5\s，。！？；：""''（）【】《》、\-]+'，注意保留中文、字母、数字、常见标点） - 避免一步到位：比如用
r'.*?(\d{1,4}[\u4e00-\u9fa5]+).*'提取门牌号，容易把“3号楼东侧”错判成“3号”，应拆成“先找‘号’‘栋’‘楼’前的连续数字”再校验上下文 - 电话清洗要加边界锚定：
r'(?，否则“13812345678abc”会只删掉中间8位，留个“138”在地址里
中文地址中“省市区”层级错乱，re.findall() 怎么稳定提取？
“北京市朝阳区建国路8号华润大厦”能分，“朝阳区建国路8号北京市华润大厦”就容易把“朝阳区”当市、“北京市”当省，导致层级倒挂。根本原因是中文地址没强制语法，正则不能靠顺序猜层级。
实操建议：
- 用预定义关键词集合做锚点，而非单纯靠字数或位置：构建省级关键词列表（
['北京市', '上海市', '广东省', '新疆维吾尔自治区']），再用re.findall(r'(' + '|'.join(province_list) + r')', text)定位省 - 区/县级必须紧邻市级之后出现才可信：匹配“[市][\u4e00-\u9fa5]{2,5}[区|县]”，但得前置检查前面是否已捕获市级（如“深圳市南山区”，不能单独匹配“南山区”就认定为区）
- 对“XX区XX路”这类高频结构，用
re.search(r'([\u4e00-\u9fa5]{2,8}?(?:区|市|县))([\u4e00-\u9fa5]{2,10}?(?:路|街|大道|巷|弄))', text)比泛泛匹配更稳
门牌号带括号、斜杠、字母，re.compile() 需要怎么编译才抗干扰？
“浦东新区张江路123(乙)号”“天河区体育西路103/105号”“杭州市西湖区文三路321-A座”——这些不是异常，是真实数据。用 r'\d+[^a-zA-Z\d\s]*[a-zA-Z]?' 会把“123(乙)”吃成“123(乙”，漏掉右括号。
实操建议：
- 把门牌号定义为“数字开头，后接零到多个非空白、非句号、非逗号的字符，且以汉字‘号’‘座’‘单元’或空格/标点结尾”：模式写成
r'\d+[^\s。、，]*?(?=[\s。、，号座单元]|$)' - 提前用
re.compile()编译并启用re.IGNORECASE和re.UNICODE，尤其处理“NO.123”“no.45”时大小写不敏感很关键 - 对“103/105”这种复合号，先用
r'\d+(?:/\d+)*'提取完整片段，再按需拆分，别强行塞进单个门牌字段
清洗后地址仍含残留符号或空格，str.strip() 和 re.sub() 哪个该用？
str.strip() 只清首尾，对“朝阳区 建国路 8号”里的中文全角空格、不间断空格（\xa0）、制表符完全无效；而盲目用 re.sub(r'\s+', ' ', s) 会把“中关村大街二段”里的“二段”缩成“二段”（看起来一样，但中间多空格其实改变了语义分词）。
实操建议：
- 统一清理空白符：用
re.sub(r'[\s\u3000\xa0]+', ' ', s).strip()，其中\u3000是中文全角空格，\xa0是不间断空格 - 保留必要连接符：清洗后若出现“北京市 朝阳区”，中间两个空格可压成一个；但“丰台区 南苑路”里的空格是层级分隔，不该动结构——所以最终用
.replace(' ', ' ').strip()更可控 - 特别注意顿号、逗号：地址中“徐汇区、长宁区”是两个地址，不是单个地址里的标点，清洗前得先判断分隔符是否在同一条记录内
真正难的不是写对某条正则，而是判断哪部分该信规则、哪部分该信词典、哪部分必须人工映射。比如“陆家嘴环路”和“陆家嘴环路100号”，前者是道路名，后者是地址，但正则眼里都是“文字+数字+号”。这时候就得切出去查标准地名库，或者加业务规则兜底。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
