一、數據地址實體抽取的目的及問題

對數據的地址進行實體識別，主要作用是確定我們的數據主體最終可以歸到哪一行政單位，從而在各行政單位上對數據主體的歸屬問題進行判斷。

因何原因使用實體抽取：

例如原始數據所提供的信息為**省**市（地級）**市（縣級）**鎮，數據處理上，要對數據的省、地級市、縣級市等信息進行單獨抽取。

上述為標準的提供數據，但有時會出現：**省**市（縣級市），或者**市（縣級），這時候就要對數據進行補齊工作，補充該縣級市所屬的地級市、省。

其次，還有寫出**省**市（地級市）的情況，沒有寫明縣級市，如果以縣級市進行對其，非實體抽取方式可能會將地級市與省份信息后移一位。

二、方法一：調用ahocorasick庫

ahocorasick是個python模塊，Aho-Corasick算法是多模式匹配中的經典算法，目前在實際應用中較多。

ahocorasick安裝：

1、確定安裝VC++，安裝后，在模塊選擇里勾選Visual Studio Build Tools里面的C++ Build Tools

2、執行pip安裝命令

pip install pyahocorasick

（若該方法安裝失敗，可嘗試CSDN中其他安裝方法）

ahocorasick使用：

若直接使用，會出現如下問題：

ahocorasick并沒有對數據進行補全的功能，若原數據對子數據有確實，無法進行補齊，如內蒙古自治區——磴口縣與內蒙古自治區——巴彥淖爾市——磴口縣。后者數據符合要求，可分級進行存儲，但前者地級市數據丟失。

解決方法：

1、僅將最后一級，如縣級市作為關鍵字，對關鍵字進行查找，若關鍵詞存在，通過關鍵詞數據集向上補齊地級市與省份關鍵字，若不存在，則定為空。

2、若縣級市關鍵詞不存在，則將其縣級市位置信息定為空，再將非空數據進行標記。

3、僅將地級市作為關鍵字，對具有標記的數據進行關鍵字查找，查找后再向上進行補齊。

4、以此類推，將其余省份信息進行補齊

該方法可參考，但不推薦，較為麻煩，且具有隱患。

三、方法一：調用cpca庫

1、安裝cpca庫

pip指令執行：

pip install cpca

2、cpca庫使用方法

import cpca
information=['內蒙古自治區呼倫貝爾市牙克石市民生B區','賽罕區大學西路街道內蒙古大學','回民區北二環路內蒙古財經大學','北京海淀區','河北深州市' ]
s=cpca.transform(information)
print(s)

3、執行結果

?注：cpca第三方庫只會精確到縣級市，縣級市后均為地址

總結