用户填的地址要转成坐标，这一步做得粗后面全都偏
用户填某某路某某号，系统要把它变成坐标，才能算距离、画地图。这一步做得粗，后面所有位置都跟着偏，偏了还不容易发现，因为界面上看着挺正常。一、地址本身就不规范
同一个地方，有人写路名有人写小区名，有人加附近两个字，有人写错一个字。直接拿去做匹配，匹配不上很正常，正常到大家都以为这是常态。清洗的时候还要处理全角半角、繁简、数字写法，一个门牌号写成两种样子，匹配结果可能差出两条街。做的人要下去看几条真实地址，坐在办公室看样例，看不出真实数据有多乱，乱的地方往往就藏在那几条里，看一眼比开三次会管用。
先做清洗，去掉多余的空格和括号，把附近、对面这类词去掉，剩下的再去匹配。清洗做得好，命中率能上去一截，而且不用改别的东西。这套东西的效果要定期抽样核，抽一百条人工看，看完算个比例，比凭感觉强，感觉这东西在数据上从来不靠谱，靠谱的只有抽出来的那一百条。
二、分级匹配
先按完整地址匹配，匹配不到退到路名，再退到区域。一级一级退，命中率能上去不少，代价是精度一级一级往下掉。分级匹配的每一级都要留痕，只留结果本身，出了问题没法判断是清洗错了还是匹配错了，两种改法完全不同。上线分批放，先放一个业务线，跑顺了再放第二个，一起放，出了问题分不清是哪边带进来的，排查要多花一倍时间，多花的时间还没人算进排期。
退到哪一级要记下来。只匹配到区域，坐标就只能给到区域中心，误差几公里，不能当门牌位置用，用了就会把人导到别的地方。清洗规则要能改，规则写死在代码里，业务一变就得发版，发版要排期，排期那几天新地址全堆着进不来，堆到后来只能人工补，人工补很容易错。
三、给一个可信度
匹配结果要带可信度。可信度低的，让用户在地图上确认一下，确认过的存下来，下次直接用，省得每次都确认。可信度低的那些，除了让用户确认，还可以按区域批量确认，同一栋楼的人填的地址差不多，确认一次能覆盖一批。这块要有个兜底入口，自动匹配失败的让用户自己在地图上点，点完存起来，比反复优化匹配规则见效快。
确认这一步别省。省了，用户看到的地图位置是错的，还会以为自己填错了，改来改去也改不对，末了干脆不填。外部服务要留备用，一家出问题能切另一家，切的时候格式要先对齐，没对齐就切，切过去全是解析失败，失败之后还要一条条回滚，回滚比重跑还慢。
四、批量导入
一次导入几千条地址，不能一条条等。做成任务，跑完给一份结果，失败的单独列出来重试，重试之前先看一眼失败原因。这类问题排查要按层来，先看数据源，再看转换，再看展示，一层层排，比到处改快得多，到处改的结果是问题挪了位置，还没解决，挪一次又要重新查一遍。
失败的原因要分类：地址不存在、匹配到多个、格式看不懂。分类之后才好批量处理，混在一起只能一条条看，看几百条就没人愿意干了。调用量要算成本，一次调用几分钱，量大了一年也是一笔钱，算清楚再决定调多细，调得太细，钱花在没人在意的地方，该粗的地方反而舍不得。
五、结果要能改
匹配错了要能改，改完存一份修正记录，下次同样的地址优先用修正过的。修正记录攒起来就是一份本地词典。
这份词典比通用数据更贴合这个场景，越用越准，准到后来，新来的地址大部分都能直接命中，人工只处理少数几个。结果要能导出，业务那边要拿去做分析，导不出来就得手工抄，手工抄的东西没法复核，错了也没人知道，等发现的时候报表已经发出去两周了。
六、别追求一步到位
一开始命中率低是正常的，先把能匹配上的做准，匹配不上的走人工，人工处理过的反哺回来，几轮之后就稳定了。
指望一次做完，往往会做成一个谁都不敢改的黑盒，出了问题只能整个重来，重来一次又是几个月。这块的准确程度要写在说明里，写清楚只能到哪一级，别让人以为能到门牌，以为能到门牌，用起来就会出事，出了事还得解释为什么当初没说清。
地址转坐标是脏活，但它决定了后面所有位置的对错。这一层扎实，上面才稳，这一层糊弄，上面做得再花也是白搭。 对这个话题有了更全面的认识，不再只停留在表面理解。
页:
[1]