テキストから住所を抽出する方法

Question

プログラムを使ってテキストから住所を抽出する方法が知りたいです。

実現したいこと

具体的に実現したいことは、以下の通りです。

• テキストから住所を抽出する
• もしテキスト中に住所が存在しなかったら（抽出できなかったら）NULL を返す
• 住所はテキスト中に最大1回しか出現しないとする
• できるだけ長い住所を抽出したい
  • たとえば「大阪市中央区」なら「大阪市」ではなく「大阪市中央区」のほうが良い
• 何丁目以降などは取得できなくてかまわない（でもできたら嬉しい）
• 住所には表記揺れがあると思うので、確実にすべて抽出できる必要はない
• プログラムの実行速度はあまり気にしません
• 基本的なロジックを知りたいだけので、プログラミング言語などは問わない

具体的な出力結果は、以下のような例になります。

> text = "令和5年1月2日午前4時45分頃、大阪市中央区島之内２丁目８番付近路上で犯人が目撃されました。"
> extract_address(text)
'大阪市中央区島之内'

> text = "2023年5月21日ごろ、岩見沢市上志文町で熊が目撃されました。"
> extract_address(text)
'岩見沢市上志文町'

> text = "11月21日、長野県長野市南長野県町で初雪が観測されました。"
> extract_address(text)
'長野県長野市南長野県町'

> text = "11月21日、長野市南長野県町で初雪が観測されました。"
> extract_address(text)
'長野市南長野県町'

考えたこと

個人的には正規表現だけでの抽出は難しいと考えており、事前に住所データベースなどを用意して、その住所とテキストが一致したときにそれを返すような形になると思っています。

あまり住所を取り扱った経験がないため、もし住所データベースを用意する必要がある場合は、どのようなデータソースを使えばいいのかお聞きしたいです。また、複雑な住所によっては間違ったものを返す可能性があるのではないかと懸念しています。

よろしくお願いします。

Answer 1

既にBAがついてる上あまりまともな回答でなくて申し訳ないのですが

元々あまり正確性を重視しておらず、
またフリー入力の住所で厳密な結果はそもそも望めないという前提であれば、
はなから頭につきそうな都道府県や市の名称のリストを作ってヒットしたところから固定で何文字とってくるくらいの雑なロジックにして、
あとは人の目で判断するくらいの運用にするのが無難な気がしますね。
それであれば正規表現でも(重そうだけど)できますし。

Answer 2

どのようなデータソースを使えばいいのかお聞きしたいです。

無料で手に入るメジャーな物としては、日本郵政のサイトでダウンロードできる郵便番号簿データです。
個別の郵便番号の付いてない町名は載ってないと思いますが、まあ、誤差の範囲でしょうか。

Answer 3

もし住所データベースを用意する必要がある場合は、どのようなデータソースを使えばいいのかお聞きしたいです。

例を挙げるなら次のようなもの。

• 日本郵便が公開している郵便番号データ
• デジタル庁が試験的に公開しているオープンデータ（アドレス・ベース・レジストリ）

仕様、利用規約に関してはそれぞれのサイトでご確認ください。

Comments

[gesorein]

データソースの共有ありがとうございます。（日本郵便のほうも前処理をすれば利用できそうですが）デジタル庁の公開している住所データが今回の処理で使い易そうに感じました！たとえば、効率は悪いかもしれませんが、以下のような組み合わせで住所を検索し一致するものを返せば、問題なく抽出できるでしょうか？

1 「市区町村名+政令市区名+大字・町名」を繋げた文字列で検索
2 「政令市区名+大字・町名」を繋げた文字列で検索
3 「政令市区名」の文字列で検索
4 「大字・町名」の文字列で検索
※テキストの都道府県は特定できている前提の場合

[sk.exe]

> できるだけ長い住所を抽出したい

> 以下のような組み合わせで住所を検索し一致するものを返せば、問題なく抽出できるでしょうか？

> ※テキストの都道府県は特定できている前提の場合

> 1 「市区町村名+政令市区名+大字・町名」を繋げた文字列で検索

より広い範囲で取得したいなら、[郡名]も参照するようにした方がよいでしょう。
例えば「東京都西多摩郡奥多摩町氷川」の場合は次のように記録されています。

都道府県名: 東京都
郡名: 西多摩郡
市区町村名: 奥多摩町
政令市区名:
大字・町名: 氷川

また、あくまで試験公開中のデータですので、日本国内の全ての地名をサポートしているわけでもありません。
例えば京都市の一部の地域では住所に難解な通り名が含まれていることで知られていますが、そういったケースに該当するデータはまだ格納されていなかったりします。

[gesorein]

「郡名」がある場合の考慮を忘れてました。ありがとうございます。

> また、あくまで試験公開中のデータですので、日本国内の全ての地名をサポートしているわけでもありません。
例えば京都市の一部の地域では住所に難解な通り名が含まれていることで知られていますが、そういったケースに該当するデータはまだ格納されていなかったりします。

こちらも考慮して実装しようかと思います。

Answer 4

有名なところだと「鹿児島県志布志市志布志町志布志」
プログラムで処理するのは限界があります。

Comments

[fana]

ど素人の考えですが，
文字列中「鹿児島県」を見つけることができたならば，（且つ，鹿児島県の市町村名を全て知っているならば）続きとして「志布志市」を見つけることができ，そしたら…というような順序で切り出せそうに思えたりするのですが，
この例はどのような点で限界があるという話なのでしょうか？
（住所ってそんな単純な話では扱えないということですか？）

[yambejp]

結局例外ばかりで処理しないといけないので厳しいですね
「東京都府中市」に「京都府」が入っていたり広島の府中市があったり・・・
「山形市」が山形県と岐阜県にあるとかプログラムで処理するにはかなり厳しいと思います

[gesorein]

回答ありがとうございます！今回の場合はそこまで正確性は気にしないのですが、もし都道府県名があらかじめわかっているのであれば、だいぶ例外的なものも少なくなるのではないでしょうか？