Skip to main content
用 Geocoding API 做批量地址验证:一次性校验 10,000 条地址
Tutorials

用 Geocoding API 做批量地址验证:一次性校验 10,000 条地址

Python 批量地址验证实战:用 MapAtlas Geocoding API 处理 10,000+ 条记录,涵盖速率限制、重试逻辑、置信度评分以及欧盟地址格式特性。

Brent van der Heiden17 min read
#bulk geocoding#geocoding api#address validation#python geocoding#batch geocoding#address cleaning

每个积累地址数据超过数年的组织都面临同样的问题:一张庞大而混乱的地址表格,质量参差不齐。用户在填写网页表单时心不在焉地输入的地址、从未对输入内容进行验证的旧版 CRM 系统迁移过来的记录、从合作伙伴 Excel 表格批量导入的不兼容格式数据,以及自数据收集以来已经搬迁的商业地址。

用错误的地址数据来处理物流会导致配送失败。用它来做营销会浪费直邮预算。用它来做房产估值则会产生不准确的集水区分析。在进行上述任何操作之前,地址必须经过清洗和验证。

地理编码是在大规模场景下执行此操作最有效的方式。将原始地址字符串发送给地理编码 API,即可获得结构化组件、地理坐标和置信度评分。以高置信度成功完成地理编码的地址几乎可以确定是有效的。返回低置信度或无匹配结果的地址则需要人工审核。

本教程将构建一个完整的 Python 脚本,该脚本读取地址 CSV 文件,针对 MapAtlas 地理编码 API 对每个地址进行地理编码,写入附带置信度评分的结果,并标记低置信度记录以供人工审核。脚本处理了速率限制、瞬态网络错误,以及美国中心地理编码教程通常忽略的欧盟地址格式问题。

地址数据质量下降的原因

地址质量因可预见的原因而下降:

手动输入错误。 网页表单用户输入速度很快,自动更正会破坏街道名称,而接受任意非空字符串的验证机制则会让垃圾数据通过。一项针对 B2C 结账数据的研究发现,7-12% 的手动输入地址包含足以导致配送失败的错误。

企业搬迁。 两年前收集的 B2B 数据库中,大约有 10-15% 的地址因搬迁、合并和关闭而不再与当前的企业位置匹配。

格式不一致。 从多个来源收集的数据使用不同的惯例:完整国家名称与 ISO 代码、「St.」与「Street」、门牌号在街道前与在街道后、「flat」与「apt」与「wohnung」。地理编码器将所有这些规范化为结构化输出。

旧系统迁移。 在迁移过程中,原本分散在多个数据库列中的地址字段通常会被拼接在一起,从而失去结构。旧系统中的自由文本地址字段可能包含备注、引用或不属于实际地址的格式内容。

地理编码方法能够处理所有这些问题,因为它依赖地理匹配,而非字符串匹配。格式不正确的地址,只要底层位置数据匹配,仍然可以正确地理编码。

理解置信度评分

MapAtlas 地理编码 API 会在每个要素上返回一个 confidence 属性,范围从 0.0 到 1.0。它表示返回结果与输入查询的匹配程度,考虑了格式差异、缩写和歧义。

置信度解释建议操作
0.90 – 1.00精确或近乎精确匹配自动接受
0.85 – 0.89强匹配,格式略有差异记录后接受
0.60 – 0.84部分匹配,找到街道但门牌号不确定标记为人工审核
0.40 – 0.59模糊,匹配到地区但非具体地址拒绝或上报
0.00 – 0.39无有意义匹配拒绝,可能无效

这些阈值仅供参考。对于配送失败代价高昂的物流操作,将自动接受阈值收紧至 0.92 以上。对于人工审核成本超过少量错误地址成本的营销邮件列表,可将其放宽至 0.80。

API 还会返回一个 match_type 属性,指示地址层级中匹配的级别:point(精确楼宇)、interpolated(根据已知门牌号估算位置)、street(找到街道但未找到门牌号)或 locality(仅匹配到城市)。

Python 验证脚本

安装依赖:

pip install requests pandas tqdm

脚本读取包含 address 列(或独立的 streetcitycountry 列)的 CSV 文件,对每一行进行地理编码,并写入附带验证结果的新 CSV 文件。

#!/usr/bin/env python3
"""
bulk_geocode.py, Validate a CSV of addresses using the MapAtlas Geocoding API.

Input CSV must have either:
  - An 'address' column (full address string), or
  - 'street', 'city', and 'country' columns (will be concatenated)

Outputs a new CSV with added columns:
  geocoded_label, geocoded_lat, geocoded_lng, confidence, match_type, status
"""

import csv
import time
import logging
import requests
import pandas as pd
from tqdm import tqdm
from pathlib import Path

# ── Configuration ──────────────────────────────────────────────────────────────
API_KEY         = 'YOUR_API_KEY'
API_BASE        = 'https://api.mapatlas.eu/geocoding/v1/search'
INPUT_CSV       = 'addresses.csv'
OUTPUT_CSV      = 'addresses_validated.csv'
RATE_LIMIT_RPS  = 5          # Requests per second (stay within your plan limits)
RETRY_ATTEMPTS  = 3          # Retries on transient errors
RETRY_DELAY_S   = 2.0        # Seconds between retries

# Confidence thresholds
ACCEPT_THRESHOLD = 0.85
REVIEW_THRESHOLD = 0.60

logging.basicConfig(level=logging.INFO, format='%(levelname)s %(message)s')
log = logging.getLogger(__name__)

# ── Geocoding function ─────────────────────────────────────────────────────────
def geocode_address(address_str: str) -> dict:
    """
    Geocode a single address string. Returns a dict with result fields.
    Retries on network errors and 429 rate-limit responses.
    """
    params = {
        'text': address_str,
        'key':  API_KEY,
        'size': 1,
    }

    for attempt in range(RETRY_ATTEMPTS):
        try:
            resp = requests.get(API_BASE, params=params, timeout=10)

            if resp.status_code == 429:
                # Rate limited, wait and retry
                wait = float(resp.headers.get('Retry-After', RETRY_DELAY_S * (attempt + 1)))
                log.warning(f'Rate limited. Waiting {wait:.1f}s before retry {attempt + 1}.')
                time.sleep(wait)
                continue

            resp.raise_for_status()
            data = resp.json()

            if not data.get('features'):
                return {'geocoded_label': '', 'geocoded_lat': None, 'geocoded_lng': None,
                        'confidence': 0.0, 'match_type': 'no_match', 'status': 'reject'}

            feature    = data['features'][0]
            props      = feature['properties']
            coords     = feature['geometry']['coordinates']  # [lng, lat]
            confidence = round(float(props.get('confidence', 0.0)), 4)
            match_type = props.get('match_type', 'unknown')

            if confidence >= ACCEPT_THRESHOLD:
                status = 'accept'
            elif confidence >= REVIEW_THRESHOLD:
                status = 'review'
            else:
                status = 'reject'

            return {
                'geocoded_label': props.get('label', ''),
                'geocoded_lat':   round(coords[1], 6),
                'geocoded_lng':   round(coords[0], 6),
                'confidence':     confidence,
                'match_type':     match_type,
                'status':         status,
            }

        except requests.exceptions.RequestException as exc:
            log.warning(f'Network error on attempt {attempt + 1}: {exc}')
            if attempt < RETRY_ATTEMPTS - 1:
                time.sleep(RETRY_DELAY_S * (attempt + 1))

    # All retries exhausted
    return {'geocoded_label': '', 'geocoded_lat': None, 'geocoded_lng': None,
            'confidence': 0.0, 'match_type': 'error', 'status': 'error'}


# ── Main processing loop ───────────────────────────────────────────────────────
def main():
    df = pd.read_csv(INPUT_CSV, dtype=str).fillna('')

    # Build address string from available columns
    if 'address' in df.columns:
        df['_query'] = df['address']
    elif all(c in df.columns for c in ['street', 'city', 'country']):
        df['_query'] = df['street'] + ', ' + df['city'] + ', ' + df['country']
    else:
        raise ValueError("CSV must have 'address' or 'street'+'city'+'country' columns.")

    results = []
    sleep_interval = 1.0 / RATE_LIMIT_RPS

    for query in tqdm(df['_query'], desc='Geocoding', unit='addr'):
        result = geocode_address(query.strip())
        results.append(result)
        time.sleep(sleep_interval)

    results_df = pd.DataFrame(results)
    output_df  = pd.concat([df.drop(columns=['_query']), results_df], axis=1)
    output_df.to_csv(OUTPUT_CSV, index=False, quoting=csv.QUOTE_NONNUMERIC)

    # Summary
    total   = len(output_df)
    accept  = (output_df['status'] == 'accept').sum()
    review  = (output_df['status'] == 'review').sum()
    reject  = (output_df['status'] == 'reject').sum()
    errors  = (output_df['status'] == 'error').sum()

    log.info(f'\n── Results ────────────────────────────────')
    log.info(f'Total processed : {total:,}')
    log.info(f'Accept (≥{ACCEPT_THRESHOLD}) : {accept:,}  ({accept/total:.1%})')
    log.info(f'Review           : {review:,}  ({review/total:.1%})')
    log.info(f'Reject           : {reject:,}  ({reject/total:.1%})')
    log.info(f'Errors           : {errors:,}  ({errors/total:.1%})')
    log.info(f'Output written to {OUTPUT_CSV}')


if __name__ == '__main__':
    main()

运行脚本:

python bulk_geocode.py

对于一个 10,000 行地址的 CSV 文件,以每秒 5 个请求的速率,脚本大约需要 35 分钟完成。进度条(通过 tqdm)会实时显示吞吐量和预计完成时间。

处理输出结果

输出 CSV 在输入数据的基础上增加了六列:

address, ..., geocoded_label, geocoded_lat, geocoded_lng, confidence, match_type, status

按状态过滤,生成三个输出文件:

# After running main(), split into acceptance tiers:
df = pd.read_csv('addresses_validated.csv')

df[df['status'] == 'accept'].to_csv('addresses_clean.csv',  index=False)
df[df['status'] == 'review'].to_csv('addresses_review.csv', index=False)
df[df['status'] == 'reject'].to_csv('addresses_reject.csv', index=False)

print(f"Clean:  {len(df[df['status']=='accept']):,} addresses ready for use")
print(f"Review: {len(df[df['status']=='review']):,} addresses for manual check")
print(f"Reject: {len(df[df['status']=='reject']):,} addresses to discard or fix")

addresses_review.csv 文件是需要人工关注的。典型的审核模式:

  • 匹配类型为 street(置信度 0.65-0.80): 找到了街道,但未找到门牌号。可能是新建筑、偏远地区地址覆盖不足,或门牌号存在拼写错误。请检查原始来源。
  • 匹配类型为 locality(置信度 0.50-0.65): 仅匹配到城市。街道名称可能拼写错误或在数据中不存在。请在邮政目录中查找该地址。
  • 看起来明显有效的地址置信度低: 检查是否存在国家/语言不匹配。不带国家限制查询的荷兰地址,可能会被地理编码到同名的德国或比利时小镇。

需了解的欧盟地址格式特殊性

针对美国市场编写的批量地理编码指南通常会忽略欧盟数据集中常见的格式差异。以下是最常见的问题:

德国,门牌号顺序。 德国地址使用「 」格式,例如 Berliner Straße 42。许多 CRM 以「 」格式存储地址,因为它们是按照英国/美国惯例构建的。如果德国地址的地理编码置信度较低,可以在提交查询之前尝试颠倒门牌号和街道名称的顺序。

法国,行政区划。 巴黎地址包含区号(第 1 区至第 20 区)作为邮政编码的一部分:7500175020。省略区号仅使用「Paris」的查询会被地理编码到城市质心,而非具体区划,这表现为 locality 匹配而非 address 匹配,置信度较低。

荷兰,邮政编码格式。 荷兰邮政编码遵循严格的 DDDD LL 格式(4位数字、空格、2位大写字母)。不带空格存储(1012LG 而非 1012 LG)或使用小写字母的邮政编码虽然可以正确地理编码,但如果单独验证邮政编码格式,请规范化为大写并带空格。

比利时,语言歧义。 一些比利时市镇有不同的法语和荷兰语名称(Liège/Luik、Gent/Gand)。API 两种语言都能处理,但数据集中命名不一致(一些记录使用法语,一些使用荷兰语)可能会产生不同的置信度级别。地理编码前请按地区统一使用同一种语言。

西班牙和意大利,街道前缀变体。 「Calle」、「Carrer」、「Via」、「Viale」都是有效的街道类型前缀,在记录中可能以缩写形式出现(「C/」)。地理编码器可以处理常见缩写,但旧系统中不常见的缩写可能需要规范化处理。

使用并发请求提高吞吐量

顺序脚本安全简单但速度较慢。对于较大的数据集,可以用并发执行器替换顺序循环:

from concurrent.futures import ThreadPoolExecutor, as_completed

def main_concurrent(max_workers=10):
    df = pd.read_csv(INPUT_CSV, dtype=str).fillna('')
    # ... (same setup as before) ...

    results = [None] * len(df)

    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        future_to_idx = {
            executor.submit(geocode_address, row['_query'].strip()): idx
            for idx, row in df.iterrows()
        }
        for future in tqdm(as_completed(future_to_idx), total=len(df), desc='Geocoding'):
            idx = future_to_idx[future]
            results[idx] = future.result()

    # ... (same output writing as before) ...

使用 10 个并发 worker、每个 worker 每秒 5 个请求,吞吐量可达约每秒 50 个请求,10,000 个地址不到 4 分钟即可完成。在增加 max_workers 之前,请检查您的 MapAtlas 计划的并发请求限制。

对于需要定期进行地址验证(每周清洗新的 CRM 导入数据、每晚验证配送地址)的组织,请参阅物流与配送解决方案页面,了解 MapAtlas 集成如何融入运营工作流程。

如果您希望从源头防止错误数据进入系统(在源头捕获错误,而非批量清洗),地址自动补全 API:一个字段如何将结账转化率提升 35% 涵盖了前端实现。

使用坐标输出

验证后的输出包含每个已接受地址的 geocoded_latgeocoded_lng。这些坐标带来了原始地址字符串无法实现的分析能力:

  • 距离计算。 计算仓库与每个配送地址之间的直线距离,以估算运费等级。
  • 集水区分析。 在地图上绘制经验证的客户位置,了解需求在地理上的集中区域。
  • 配送区域分配。 通过测试每个地址的坐标是否落在区域多边形内,将其分配至对应的配送区域。
  • 重复检测。 坐标相同(误差在数米以内)的两条记录很可能是重复项,即使地址字符串在格式上有所不同。

关于 NAP(名称/地址/电话)一致性及其对 AI 搜索可见度的影响,尤其是与本地企业地址数据库相关的内容,AI 搜索的 NAP 一致性:地址不匹配如何损害您在 ChatGPT 的可见度 阐述了为何经地理编码验证的地址是结构化数据标记的正确基础。

总结

使用 MapAtlas 地理编码 API 进行批量地理编码,您将获得:

  • 经过验证的地址,附带置信度评分,让您清楚哪些记录可以自动信任,哪些需要审核。
  • 结构化组件(街道、门牌号、邮政编码、城市、国家),从任意输入格式规范化而来。
  • 每个已接受地址的地理坐标,支持空间分析和路线规划。
  • 欧盟地址格式支持,内置于 API 中,无需在预处理中自行处理。

Python 脚本顺序执行时,每秒处理 5 个地址,使用并发 worker 时最高可达每秒 50 个。对于 10,000 个地址,根据并发程度,预计需要 4-40 分钟。输出为包含三个层级(接受、审核、拒绝)的干净 CSV 文件。


注册免费的 MapAtlas API 密钥即可开始使用。地理编码 API 支持所有计划的批量查询,请参阅定价页面了解每次请求费率和每月免费额度限制。

常见问题

使用MapAtlas API地理编码10,000个地址需要多长时间?

以保守的每秒5个请求的速率(带小的睡眠缓冲),10,000个地址大约需要35-40分钟。使用并发请求(10个工作者)和适当的速率限制,这个时间可以缩短到5分钟以下。本教程中的Python脚本包括顺序和并发两种选项。

地址验证应该使用什么置信度评分阈值?

一个实用的三层系统效果很好:置信度高于0.85的地址自动接受,在0.60到0.85之间的地址标记为需要人工审查,低于0.60的地址拒绝。确切的阈值取决于地址准确性对您用例有多关键,物流运营应该使用比营销活动更严格的阈值。

MapAtlas地理编码API是否处理欧盟特定的地址格式?

是的。该API能正确解析德国(房号在街道后)、法国(房号在街道前)、荷兰(4+2邮编),以及其他欧盟国家的地址约定。使用本地语言的查询比音译或英文格式的查询返回更好的结果。

觉得有用?分享给他人吧。

关于作者

Brent van der Heiden

作者

Brent van der Heiden

Co-Founder & CEO at MapAtlas

Brent built MapAtlas out of a conviction that developers deserve location APIs with fair pricing and genuine end-user privacy. He writes about geospatial infrastructure, AI search visibility, and how location data powers the products people rely on every day.

查看所有文章
返回博客