使用 RegEx 从 PHP 中的字符串中提取地址

我的问题

我正在尝试抓取各个链接美国众议院网站 http://www.house.gov/house/MemberWWW_by_State.shtml查找所有所列个人的华盛顿地址。问题是华盛顿地址的格式有时会有所不同。有时会有子弹、管道、新行和中断标签，使其难以匹配。

我正在尝试抓取许多页面以检索基本相似的地址：

忽略特殊的空白。这只是为了显示字符串部分的相似性

    1433 Longworth House Office Building Washington,  D.C. 20515
     332 Cannon HOB                      Washington   DC   20515
    1641 LONGWORTH HOUSE OFFICE BUILDING WASHINGTON,  DC   20515
    1238 Cannon H.O.B. (line return)
    Washington, DC 20515
    8293 Longworth House Office Building • Washington DC • 20515
    8293 Longworth House Office Building | Washington DC | 20515
  

其中每一个都会单独返回，并被大量其他文本和 html 标签包围。地址甚至可能在地址本身中包含
或
。

我想做的是捕获源字符串中的第一个匹配项，并将其设置为变量的值。根据我的理解，最好使用正则表达式来解决这个问题。

Update:

在详细了解了这些日子的各种出现方式后，我决定最好采用不太严格的表达方式。这些地址以项目符号、竖线和换行符的形式出现。也许传达以下信息的表达方式是最好的：

[数字][任意]["华盛顿"][任意][DC|D.C.][任意][五个数字]

显然，这太宽松了。这anything当我只对允许任何内容的几个字符感兴趣时，块会引入段落。

到目前为止，我未能成功匹配在以下地址中找到的地址（这些只是众多地址中的一小部分）

• http://giffords.house.gov/ http://giffords.house.gov/
• http://coffman.house.gov/ http://coffman.house.gov/
• http://boyd.house.gov/ http://boyd.house.gov/

EDIT：看起来第一组数字和“华盛顿”之间的[任何]数据必须更加严格才能正常工作。 [anything] 部分不应包含任何数字，因为数字是我们用来分隔其中一个地址的开头的数字。这适用于您提供给我们的三个网站。

我想说最好的第一步是删除所有 HTML 标签并替换 ' ' 字符实体：

$input = strip_tags($input);
$input = preg_replace("/ /"," ",$input);

那么如果地址匹配（接近）您指定的格式，请执行以下操作：

$results= array();
preg_match("/[0-9]+\s+[^0-9]*?\s+washington,?\s*D\.?C\.?[^0-9]+[0-9]{5}/si",$input,$results);
foreach($result[0] as $addr){
    echo "$addr<br/>";
}

这适用于您提供的三个示例，并且$results[0]应包含找到的每个地址。

但是，例如，如果地址中有“公寓#2”或类似内容，则此方法不起作用，因为它假定最接近“华盛顿特区”的数字标记地址的开头。

以下脚本匹配每个测试用例：

<?php
    $input = "
        1433&nbsp;Longworth House Office Building Washington,  D.C. 20515
         332 Cannon HOB                      Washington   DC   20515
        1641 LONGWORTH HOUSE OFFICE BUILDING WASHINGTON,  DC   20515
        1238 Cannon H.O.B.
        Washington, DC 20515
        8293 Longworth House Office Building • Washington DC • 20515
        8293 Longworth House Office Building | Washington DC | 20515
    ";
    $input = strip_tags($input);
    $input = preg_replace("/&nbsp;/"," ",$input);

    $results= array();
    preg_match_all("/[0-9]+\s+[^0-9]*?washington,?\s*D\.?C\.?[^0-9]*?[0-9]{5}/si",$input,$results);
    foreach($results[0] as $addr){
        echo "$addr<br/>";
    }