行政区划信息抽取算法（区划抽取）

前言

• 行政区划信息抽取算法，简称区划抽取

• 本文区划仅针对中国（缺港澳台，2020年国家统计局更新，2019年数据）：
  http://www.stats.gov.cn/tjsj/tjbz/
  http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2019/index.html

必备常识

• 行政区划：是行政区域划分的简称，是国家为了进行分级管理而实行的区域划分。

等级	详情（2019年，每年会有更新，以更新为准，不要参考此处）	合计
省级行政区	23个省、5个自治区、4个直辖市、2个特别行政区	34
地级行政区	293个地级市、7个地区、30个自治州、3个盟	333
县级行政区	965个市辖区、387个县级市、1323个县、117个自治县、49个旗、3个自治旗、1个特区、1个林区	2846
乡级行政区	8516个街道、20975个镇、8122个乡、966个民族乡、153个苏木、1个民族苏木、1个县辖区	38734

• 省级行政区划

区划代码（前2位）	省级行政区	简称	行政中心	区划代码（前2位）	省级行政区	简称	行政中心
11	北京市	京	北京	43	湖南省	湘	长沙
12	天津市	津	天津	44	广东省	粤	广州
13	河北省	冀	石家庄	45	广西壮族自治区	桂	南宁
14	山西省	晋	太原	46	海南省	琼	海口
15	内蒙古自治区	内蒙古	呼和浩特	50	重庆市	渝	重庆
21	辽宁省	辽	沈阳	51	四川省	川、蜀	成都
22	吉林省	吉	长春	52	贵州省	贵、黔	贵阳
23	黑龙江省	黑	哈尔滨	53	云南省	云、滇	昆明
31	上海市	沪	上海	54	西藏自治区	藏	拉萨
32	江苏省	苏	南京	61	陕西省	陕、秦	西安
33	浙江省	浙	杭州	62	甘肃省	甘、陇	兰州
34	安徽省	皖	合肥	63	青海省	青	西宁
35	福建省	闽	福州	64	宁夏回族自治区	宁	银川
36	江西省	赣	南昌	65	新疆维吾尔自治区	新	乌鲁木齐
37	山东省	鲁	济南	71	台湾省	台	台北
41	河南省	豫	郑州	81	香港特别行政区	港	香港
42	湖北省	鄂	武汉	82	澳门特别行政区	澳	澳门

极简代码示例

from jieba.posseg import dt  # 带词性分词

dt.tokenizer.add_word('禅城区', 9, 'ns')  # 地名词库加载

text = '''
广东省佛山市南海区桂城街道地处南海区东南部，西部与禅城区祖庙街道、南部与禅城区石湾镇街道、顺德区陈村镇接壤
'''.strip()

print(set(i.word for i in dt.cut(text)if i.flag == 'ns'))  # 带词性分词

print

{‘顺德区’, ‘佛山市’, ‘南海区’, ‘广东省’, ‘桂城’, ‘禅城区’, ‘石湾镇’}

特殊数据处理

歧义名称

不知所云的名称，直接抛弃

exclusion = {
   
   '市辖区', '县', '省直辖县级行政区划'}

例如【郊区】一词有歧义，可用【阳泉市郊区、佳木斯市郊区、铜陵市郊区】来替代

exclusion = {
   
   '城区', '郊区', '矿区', '东区', '西区'}

重名

• 省级和市级的行政区划没有重名，区级和县级的行政区划有重名，遇到重名要进一步从文本中查找其上级区划来消除歧义

消歧方法1：层级查找（荐给Java用）

消歧方法2：根据区划代码前缀 设置权重（荐给Python用）