把脏地址解析成区划码（二）：那些不报错的错答案上一篇讲了前 5 关，泛称被同音误伤、真歧义被当成错字、两字县名的子串、合

上一篇讲了前 5 关，泛称被同音误伤、真歧义被当成错字、两字县名的子串、合称拆不开、单字别名越界。它们的共同点是全都不报错，只是给出一个看着像的错答案。

这一篇还是这个主题，只不过错得更安静。5 关里有 3 关来自 295 条那一轮，2 关来自扩到 1,168 条之后。

第 6 关：`海南藏族自治州` 变成了海南省

青海的海南藏族自治州，被解析成了海南省。

因为省级匹配走的是去后缀短形式"海南"，而这个位置其实是一个更长地名的开头。同一批还有个 海南区，内蒙古乌海的，现在能正确落在乌海市。

改法：短形式命中时，检查该位置有没有更长的已知区划名，有就不作数。

这关不报错，也不给候选，就是悄悄答错。前面几关好歹还能从"答案荒唐"里看出破绽，这一关的输出非常正常，所以单独写一下。

南京市 和 北京市 逐字比对只差一个字，南和北。我那套"模糊匹配（编辑距离 1）"把前者当成了后者的错字，降了一点置信度就返回北京市。

改法是给模糊匹配加两道闸。命中的那段如果本身就是现行区划名，跳过；拼音对不上（nan-jing-shi 不等于 bei-jing-shi），也跳过。字距 1 但读音完全不同，多半就是另一个词。

西鞍 是西安的同音错字，纠错方向是对的。但西安的同音候选里既有西安市，也有两个"西安区"。原来的取法是"取第一个能解析的"，于是随机落到了低层级而且不相关的候选上。

改法：候选要择优。优先返回唯一解析，也就是西安市；所有候选都只能得到歧义时，才退回去给候选集。

题量扩到 1,168 条之后，这一关冒出来了。

输入	修之前	问题
`浙江省西湖区`	`浙江省-西湖区`	串看着对，但 county 码是 null
`河北省桥西区`	`["河北省-桥西区", "河北省-桥西区"]`	候选重复两次，而且都丢了市级

第一行尤其麻烦。输出长得没毛病，码却没了。对一个卖码的工具来说，名字对、码没有，等于没交付。

根因是，当输入里只有省、没有市的时候，引擎在全省范围找到县名之后，没有反查这个县到底属于哪个地级市，市级字段和县级码就一起丢了。

改法：反查所属地级再补全。单命中补全，多命中按（市,县）去重展开成候选。

同一批里还有一串同类问题。和田地区变成了和田市 / 和田县的候选集，喀什地区变成了喀什市，红河哈尼族彝族自治州变成了红河县，跟州名只是前缀相同。

根因是，全库县级直配比地级匹配先跑，于是"喀什"这两个字先命中了它下辖的县级市。

改法：省未命中时，先做地级全名直配，要求整串相等，然后再走县级直配。整串相等这个限制保住了 杭州市西湖区 这类带下级的输入。

引擎和数据在 GitHub：github.com/nbsetsail/r… 。代码 MIT，数据 CC-BY-4.0，署名即可使用。脏地址解析可离线跑，有 CLI。

下一篇讲后面 5 关，涉及层级、时间机器，以及一处根因不在引擎、而在数据本身的问题。