Regex 从pdf文件中提取邮政地址

是否有任何库/工具包可以帮助我从非结构化PDF文档（如信件）中提取邮政地址信息？如果没有，您将如何完成此任务

---

我考虑过使用一个开源的PDF库并用正则表达式模式搜索信息，但我不确定是否有可能用这种简单的方法可靠地识别地址。不幸的是，我参加的数据挖掘课程没有涉及文本挖掘，只涉及高度结构化的数据。也许从事自然语言处理的人知道一个有用的库或工具包？

使用pdf2xml或任何其他PDF库/工具包，并使用您最喜欢的搜索引擎搜索“邮政地址提取”，并将您的搜索限制为文件类型PDF。

我建议您阅读PDF（即转换为文本）和写邮政地址语法

为什么，因为我有一个通用用户名？不，因为你在问如何解析非结构化PDF文档并在没有合理解释的情况下剥离邮政地址数据。像你这样的防御性回答只能支持我的怀疑。哦，你的意思是解释我为什么要这么做。是的，我想如果没有它，我的意图可能被归类为恶意。嗯，这是国家邮政局的一个（可能的）项目。他们有大量的PDF信件文档，他们想为某种系列信件活动提取地址信息。所以我猜这是垃圾邮件，但官方垃圾邮件。这不是重点。关键是如何在非结构化文本（如字母）中识别地址信息。pdf文档由客户提供。忽略有关pdf的部分。你尝试过推荐的网络搜索吗？如果你是指这篇论文，那么谢谢。在发布问题之前我已经看过了，它确实很有趣。非常感谢，GExp甚至有一个处理地址提取的示例：