科技 · 2026-08-30 · 工程实践 · 阅读 4

日本邮政 CSV 为什么这么难解析：地址不是字符串，而是一套例外制度

开发者为日本邮政编码数据制作 Python 库 posuto 时，发现官方 CSV 远不是“邮编、县、市、町名”四列这么简单。长字段会跨行拆分，括号里混有范围说明，部分地区使用“以下除外”式兜底记录，甚至同一个词在绝大多数行是注释，在某一个真实地址里却必须保留。

作者：林岚｜OC 开发者生态编辑

一句话结论：地址数据不是一张可以靠 split(',') 解决的表，而是行政历史、投递规则、旧软件限制和自然语言例外共同形成的制度接口。

原始文件为了兼容字段长度限制，会把超过阈值的地名或读音拆成多条记录。解析器不能把每一行当独立地址，而要识别哪些行是前一条的延续，再恢复完整町域。京都的部分地址还会使用路口和方向描述，天然比常见层级式地址长，更容易触发拆分。

括号不是统一的可删除备注。有的括号列举适用番地，有的表示“除此之外”，有的内容需要转成排除规则。CSV 中的“一円”通常表示“周边全部区域”，适合作为说明移除；但滋贺县恰好存在一个町名本身就是“一円”，邮编 522-0317。写一条全局替换规则，就会把真实地名删掉。

地址清洗需要结构化规则、例外表和回归样本

罗马字文件又是另一套问题。日本邮政提供的版本更新较慢，可能与主文件不同步，而且转换质量不稳定。原文举例，已经是拉丁字母的“JA”被先按日语读音处理，再错误拆解小假名，最后变成难以辨认的字母串；“Roppongi Hills”也会被机械转写。作者因此建议，在需要罗马字时考虑独立工具 cutlet，而不是把官方字段当绝对真值。

posuto 的做法是把复杂清洗封装成库，同时提供预处理 JSON，方便非 Python 项目使用。它的价值不只是“修好一个 CSV”，而是把隐含规则变成代码和测试。不过，任何第三方清洗层都要跟随官方更新，记录原始版本，并允许用户追溯某条地址怎样被合并或改写。

这类问题对国际化产品很常见。姓名、电话、地址和行政区划看似是字符串，实际都包含地域规则。工程上最危险的做法，是先按自己熟悉的国家设计 schema，再把其他地区当异常值塞进去。例外不是脏数据；很多时候，它就是业务本身。

关键事实

来源：posuto 作者对日本邮政 CSV 的解析复盘
数据难点：超长字段跨行、括号范围、兜底区域、历史地址表达
特殊案例：“一円”通常是说明，但在一处也是实际町名
输出方式：Python 库与预处理 JSON

OC 判断

解析器最难的部分从来不是逗号，而是语义。官方提供文件不等于文件适合直接进入现代应用；第三方库也不能靠几条正则永久解决。可靠方案需要版本化原始数据、显式例外、可追溯转换和真实地址回归样本。

为什么重要

对开发者：不要把物理行等同于业务记录，也不要无条件删除括号和注释词。
对产品团队：日本地址搜索、物流和表单体验取决于本地规则，而非简单翻译。
对数据团队：官方数据仍需质量评估、版本管理和转换可追溯性。

参考来源

Parsing the Japan Post CSV

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

奉劝大家不要移民了

<p>对于大多数人而言，移民就是悲剧。实在看不下去了，大家不要往火坑里面跳。国内发展那么快，你出国去慢车道，消费又高，又存不下钱，又要拼命适应当地环境，何苦？老老实实在大城市找工作，根据收入买房子上车就好。</p> <p>补充：大城市觉得房价太高太辛苦，就好好学好英语，美国远程回老家省会城市，拿同比一线的收入，三线城市的开销，岂不美哉？</p> <p>转文章： <a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&mid=2651016481&idx=1&sn=6bde227438ea02e3da3673295821692e&chksm=80721b32b705922448a9f8645e8d1a8450e57151b71e58beb64e0addf9485ad0b256a431d68b&mpshare=1&scene=1&srcid=0530QgwbtdDlMP4ZG7Nkonpo&pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd"> 中产阶级的地雷阵 #D03 </a></p> <p>更多文章：<a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&mid=503532389&idx=1&sn=84ff5eefb88e1b17f9ec0efb0238140d&chksm=00721d76370594601903172e49477ce0ed149a3ba1bdcb88a300b55c8c552a79ea31134216ae&mpshare=1&scene=1&srcid=0719VQx1dNX5rlraUqjWtCFm&pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd">列表</a></p>

halida 198 9

做 AI 语音产品时，授权、撤回和审计日志应该怎么落地？

<p>最近看到越来越多关于声音授权的讨论。对开发者来说，真正麻烦的往往不是“模型能不能模仿”，而是授权如何进入系统、生成结果如何追溯，以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是，不要把“用户勾选过同意”当成一个布尔字段，而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性，例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时，可以绑定不同的授权，而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更，如果任务只查最新状态，历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id，并反向关联任务。</p> <p>我会把最小链路设计成：</p> <ol> <li>voice_asset：原始声音及版本；</li> <li>consent_grant：授权范围与证据；</li> <li>generation_job：请求参数和授权快照；</li> <li>audio_artifact：输出文件、校验值和公开状态；</li> <li>audit_event：谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后，系统至少要阻止新任务，并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除，要按照合同和产品能力区分，不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired，并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志，公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案，但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来，比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走，越觉得声音效果只是前半程，权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储，还是单独的审计系统？如果授权撤回，你们通常怎么处理已经生成并交付的音频？</p>

FlowSpeech 0 1

一个体会，Codex 这种现代 Agent，每天一个变，几天不用就有新惊喜

<p>当然我说的也包括 Claude Code，新功能日新月异，还有就是 AI 能力提升以后，可以做的东西日新月异。还有各种工作流方法日新月异。</p> <p>更好玩的是，我最近经历过很多次，你跟人介绍现在 Codex 可以做到什么样子，他们都觉得很厉害。但是你现场一演示，他们的震撼就更加完全不同了。所以，这种东西，需要大量的 Workshop 去沟通交流，光看文字很难讲清楚，直播、视频也越来越重要了。</p>

tinyfool 1 89

你为什么不移民？

<p>我是一定要移了，在这里连正常呼吸都不行了。以前正常呼吸指的是言论自由，现在是生物学意义的正常呼吸问题了。</p> <p>你为什么不移民？</p>

tinyfool 741 48

日本邮政 CSV 为什么这么难解析：地址不是字符串，而是一套例外制度