本项目旨在将不规范(或者连续)的文本地址进行尽可能的标准化, 以及对两个地址进行相似度的计算。

地理编码技术, 主要分为如下步骤

• 地址标准库
• 地址标准化
• 相似度计算

<dependencies>
    <dependency>
        <groupId>io.patamon.geocoding</groupId>
        <artifactId>geocoding</artifactId>
        <version>1.1.6</version>
    </dependency>
</dependencies>

<repositories>
    <repository>
        <id>patamon.release.repository</id>
        <name>github release repository</name>
        <url>https://raw.github.com/icemimosa/maven/release/</url>
    </repository>
</repositories>

方法调用: Geocoding 类

• normalizing: 标准化
• analyze: 解析成分词文档
• similarity: 相似度计算
• similarityWithResult: 相似度计算, 返回包含更多丰富的数据

>> 输入: 山东青岛市北区山东省青岛市市北区水清沟街道九江路20号大都会3号楼2单元1303
>> 输出:
Address(
	provinceId=370000000000, province=山东省, 
	cityId=370200000000, city=青岛市, 
	districtId=370203000000, district=市北区, 
	streetId=370203030000, street=水清沟街道, 
	townId=null, town=null, 
	villageId=null, village=null, 
	road=九江路, 
	roadNum=20号, 
	buildingNum=3号楼2单元1303, 
	text=大都会
)

>> 输入: 上海上海宝山区宝山区【新沪路58弄11-802  水韵华庭 】 (水韵华庭附近)
>> 输出: 
Address(
	provinceId=310000000000, province=上海, 
	cityId=310100000000, city=上海市, 
	districtId=310113000000, district=宝山区, 
	streetId=null, street=null, 
	townId=null, town=null, 
	villageId=null, village=null, 
	road=新沪路, 
	roadNum=58弄, 
	buildingNum=11-802, 
	text=水韵华庭水韵华庭附近
)

• 返回的对象解释
  • province相关: 省
  • city相关: 市
  • district相关: 区、县
  • street相关: 街道
  • town相关: 乡镇
  • village相关: 村
  • road: 道路
  • roadNum: 路号
  • buildingNum: 建筑物号
  • text: 标准化后为匹配的地址。一般包含小区, 商场名称等信息

注: 如果对text的结果不是很满意, 比如出现重复或不准确, 可以通过分词的手段解决

>> 输入:
  浙江金华义乌市南陈小区8幢2号
  浙江金华义乌市稠城街道浙江省义乌市宾王路99号后面南陈小区8栋2号
>> 输出: 
  0.8451542547285166

>> 输入:
  山东省沂水县四十里堡镇东艾家庄村206号
  浙江金华义乌市南陈小区8幢2号
>> 输出:
  0.0

// 100000000000 代表中国的ID
Geocoding.addRegionEntry(88888888, 100000000000, "尼玛省", RegionType.Province)
Geocoding.addRegionEntry(8888888, 88888888, "尼玛市", RegionType.City)
Geocoding.addRegionEntry(888888, 8888888, "泥煤市", RegionType.District)

>> 输入: 中国尼玛省尼玛市泥煤市泥煤大道888号xxx
>> 输出:
Address(
	provinceId=88888888, province=尼玛省, 
	cityId=8888888, city=尼玛市, 
	districtId=888888, district=泥煤市, 
	streetId=null, street=null, 
	townId=null, town=null, 
	villageId=null, village=null, 
	road=泥煤大道, 
	roadNum=888号, 
	buildingNum=null, 
	text=xxx
)

Tips: 可以从「国家标准地址库」中获取「父级城市ID」

项目目前采用的是 淘宝物流4级地址 的标准地址库

也可以采用国家的标准地址库 (对应的github库, 中国5级行政区域mysql库)

0. 本测试配置基于Server version: 8.0.21 MySQL Community Server - GPL环境，其它可能略有差异，可通过下面两个SQL确认配置是否OK

show variables like '%CHARACTER%';
show variables like '%max_allowed_packet%';

1. 设置max_allowed_packet，[mysqld]下max_allowed_packet = 2000M，[mysqldump]下max_allowed_packet = 2000M
2. 设置字符集，[client]下default-character-set=utf8mb4，[mysqld]下character-set-server=utf8mb4和init_connect='SET NAMES utf8mb4'，[mysql]下default-character-set=utf8mb4

1. 首先基于正则提取出道路、建筑物号等信息
2. 省市区等匹配
   1. 将标准的地址库建立倒排索引
   2. 将文本从起始位置开始, 采用最大长度优先的方式匹配所有词条
   3. 对所有匹配结果进行标准行政区域从属关系校验

1. 对输入的两个地址进行标准化
2. 对省市区等信息分配不同的权重
3. 对道路号, 建筑号进行语义处理, 分配权重
4. 对剩余文本(text)使用IK Analyzer进行分词
5. 对两个结果集使用余弦相似度算法计算相似度

项目参考address-semantic-search，简化了流程，修复了各种不规则错误，使得使用更加方便。

• 1.1.3
  • 新增自定义地址设置
• 1.1.4
  • 修复一些匹配错误的bug
• 1.1.6
  • 升级地址库和包版本, 修复一些匹配错误的地址