如何比较格式不同的地址（php / mysql）

Question

我正在使用一些相当大的数据建立已建立的php mysql Web应用程序。

作为数据管理例程的一部分，有关地址的新数据将从两个不同的来源添加到数据库（导入）中。

此数据中的所有地址都来自英国。

addressRecord.address1 = address1 AND addressRecord.postcode = postcode在插入新地址或将记录与现有地址关联之前，该应用程序已用作冲突检测。

麻烦的是碰撞测试还不是结论性的。由于两个不同的数据源提供了一些不同的地址格式。

源1

    address1 = 'FLAT N, RICHMOND HILL GATE, 1'

    address2 = 'RICHMOND HILL DRIVE'

    address3 = 'BOURNEMOUTH'

    postcode = 'BH2 6LT'

源2

    address1 = 'Flat N'

    address2 = 'Richmond Hill Gate'

    address3 = '1 Richmond Hill Drive'

    postcode = 'BH2 6LT'

由于这是一个已建立的应用程序，因此该重复项已经存在于地址表中，我必须对其进行处理，而且还会不断导入新数据并将其与地址记录相关联。

因此，我正在寻找一种确定性的（几乎是确定性的）方法来比较格式略有不同的地址，这也是一种性能（十亿行数百万的数据）。

到目前为止，我已经考虑过计算一个标识字段，该字段可以增加到现有数据中，并针对新的导入进行计算，例如，可以将3个地址字段连接在一起，并删除所有标点符号，或者可能只是数字。或...任何想法，深表感谢。

Answer 1

您必须将所有地址转换为标准化地址格式，如 @chris 所说。我认为您无法在数据库中“即时”执行此操作。您将依赖代码来执行此操作并将结果存储在数据库中。您遇到的最大问题是您拥有的数据缺乏完整性：具有或不具有邮政编码的相同地址；邮政编码相同但街道名称或城市不同的地址；具有不同邮政编码的相同地址；街道名称的书写方式不同，“W Churchill Ln”与“Winston Churchill Lane”。您将需要模糊逻辑来让计算机决定什么是正确的。来自不同来源的数据可能在每个来源的格式上是一致的，您可能会以某种方式从中受益。另一件事是，一个来源将比其他来源更可靠，您也可以利用它来发挥自己的优势。