primeira versao da padronizar_logradouro()

NAMESPACE

@@ -3,5 +3,6 @@
 export(padronizar_bairros)
 export(padronizar_ceps)
 export(padronizar_estados)
+export(padronizar_logradouros)
 export(padronizar_municipios)
 export(padronizar_numeros)

R/padronizar_logradouro.R

@@ -0,0 +1,223 @@
+#' Padronizar logradouros
+#'
+#' Padroniza um vetor de caracteres representando logradouros de municípios
+#' brasileiros. Veja a seção *Detalhes* para mais informações sobre a
+#' padronização.
+#'
+#' @param logradouros Um vetor de caracteres. Os logradouros a serem
+#'   padronizados.
+#'
+#' @return Um vetor de caracteres com os logradouros padronizados.
+#'
+#' @section Detalhes:
+#' Operações realizadas durante a padronização:
+#'
+#' 1. remoção de espaços em branco antes e depois das strings e remoção de
+#' espaços em excesso entre palavras;
+#' 2. conversão de caracteres para caixa alta;
+#' 3. remoção de acentos e caracteres não ASCII;
+#' 4. adição de espaços após abreviações sinalizadas por pontos.
+#'
+#' @examples
+#' bairros <- c("PRQ IND", "NSA SEN DE FATIMA", "ILHA DO GOV")
+#' padronizar_bairros(bairros)
+#'
+#' @export
+padronizar_logradouros <- function(logradouros) {
+  checkmate::assert_character(logradouros)
+
+  # alguns logradouros podem vir vazios e devem permanecer vazios ao final.
+  # identificamos o indice dos logradouros vazios para "reesvazia-los" ao final,
+  # ja que a sequencia de operacoes abaixo acabaria atribuindo um valor a eles
+
+  indice_logradouro_vazio <- which(logradouros == "" | is.na(logradouros))
+
+  logradouros_padrao <- stringr::str_squish(logradouros)
+  logradouros_padrao <- toupper(logradouros_padrao)
+  logradouros_padrao <- stringi::stri_trans_general(logradouros_padrao, "Latin-ASCII")
+
+  logradouros_padrao <- stringr::str_replace_all(
+    logradouros_padrao,
+    c(
+      # pontuacao
+      "\\.\\.+" = ".",         # ponto repetido
+      ",,+" = ",",             # virgula repetida
+      "\\.([^ ])" = "\\. \\1", # garantir que haja um espaco depois dos pontos
+      ",([^ ])" = ", \\1",     # garantir que haja um espaco depois das virgulas
+      " \\." = "\\.",          # garantir que não haja um espaco antes dos pontos
+      " ," = ",",          # garantir que não haja um espaco antes dos pontos
+
+      # tipos de logradouro
+      "^RU?\\b(\\.|,)?" = "RUA",                                 # R. AZUL -> RUA AZUL
+      "^(RUA|RODOVIA|ROD(\\.|,)?) (RUA|RU?)\\b(\\.|,)?" = "RUA", # RUA R. AZUL -> RUA AZUL
+      "^RUA\\b(-|,|\\.) *" = "RUA ",                             # R-AZUL -> RUA AZUL
+
+      "^(ROD|RDV)\\b(\\.|,)?" = "RODOVIA",
+      "^(RODOVIA|RUA) (RODOVIA|ROD|RDV)\\b(\\.|,)?" = "RODOVIA",
+      "^RODOVIA\\b(-|,|\\.) *" = "RODOVIA ",
+
+      # outros pra rodovia: "RO", "RO D", "ROV"
+
+      "^AV(E|N|D|DA|I)?\\b(\\.|,)?" = "AVENIDA",
+      "^(AVENIDA|RUA|RODOVIA) (AVENIDA|AV(E|N|D|DA|I)?)\\b(\\.|,)?" = "AVENIDA",
+      "^AVENIDA\\b(-|,|\\.) *" = "AVENIDA ",
+
+      # EST pode ser estancia ou estrada. será que deveríamos assumir que é estrada mesmo?
+      "^(ESTR?|ETR)\\b(\\.|,)?" = "ESTRADA",
+      "^(ESTRADA|RUA|RODOVIA) (ESTRADA|ESTR?|ETR)\\b(\\.|,)?" = "ESTRADA",
+      "^ESTRADA\\b(-|,|\\.) *" = "ESTRADA ",
+
+      "^(PCA?|PRC)\\b(\\.|,)?" = "PRACA",
+      "^(PRACA|RUA|RODOVIA) (PRACA|PCA?|PRC)\\b(\\.|,)?" = "PRACA",
+      "^PRACA\\b(-|,|\\.) *" = "PRACA ",
+
+      "^BE?CO?\\b(\\.|,)?" = "BECO",
+      "^(BECO|RUA|RODOVIA) BE?CO?\\b(\\.|,)?" = "BECO",
+      "^BE?CO?\\b(-|,|\\.) *" = "BECO ",
+
+      "^(TV|TRV|TRAV?)\\b(\\.|,)?" = "TRAVESSA", # tem varios casos de TR tambem, mas varios desses sao abreviacao de TRECHO, entao eh dificil fazer uma generalizacao
+      "^(TRAVESSA|RODOVIA) (TRAVESSA|TV|TRV|TRAV?)\\b(\\.|,)?" = "TRAVESSA", # nao botei RUA nas opcoes iniciais porque tem varios ruas que realmente sao RUA TRAVESSA ...
+      "^TRAVESSA\\b(-|,|\\.) *" = "TRAVESSA ",
+      "^(TRAVESSA|RUA|RODOVIA) (TRAVESSA|TV|TRV|TRAV?)\\b- *" = "TRAVESSA ", # aqui ja acho que faz sentido botar o RUA porque so da match com padroes como RUA TRAVESSA-1
+
+      "^P((A?R)?Q|QU?E)\\b(\\.|,)?" = "PARQUE",
+      "^(PARQUE|RODOVIA) (PARQUE|P((A?R)?Q|QU?E))\\b(\\.|,)?" = "PARQUE", # mesmo caso de travessa
+      "^PARQUE\\b(-|,|\\.) *" = "PARQUE ",
+      "^(PARQUE|RUA|RODOVIA) (PARQUE|P((A?R)?Q|QU?E))\\b- *" = "PARQUE ", # mesmo caso de travessa
+
+      "^ALA?\\b(\\.|,)?" = "ALAMEDA",
+      "^ALAMEDA (ALAMEDA|ALA?)\\b(\\.|,)?" = "ALAMEDA", # mesmo caso de travessa
+      "^RODOVIA (ALAMEDA|ALA)\\b(\\.|,)?" = "ALAMEDA", # RODOVIA precisa ser separado porque nesse caso nao podemos mudar RODOVIA AL pra ALAMEDA, ja que pode ser uma rodovia estadual de alagoas
+      "^ALAMEDA\\b(-|,|\\.) *" = "ALAMEDA ",
+      "^(ALAMEDA|RUA) (ALAMEDA|ALA?)\\b- *" = "ALAMEDA ", # mesmo caso de travessa
+      "^RODOVIA (ALAMEDA|ALA)\\b- *" = "ALAMEDA ", # mesmo caso acima
+
+      "^LOT\\b(\\.|,)?" = "LOTEAMENTO",
+      "^(LOTEAMENTO|RUA|RODOVIA) LOT\\b(\\.|,)?" = "LOTEAMENTO",
+      "^LOTEAMENTO?\\b(-|,|\\.) *" = "LOTEAMENTO ",
+
+      "^LOC\\b(\\.|,)?" = "LOCALIDADE",
+      "^(LOCALIDADE|RUA) LOC\\b(\\.|,)?" = "LOCALIDADE",
+      "^LOCALIDADE?\\b(-|,|\\.) *" = "LOCALIDADE ",
+
+      "^LAD\\b(\\.|,)?" = "LADEIRA",
+      "^LADEIRA LADEIRA\\b(\\.|,)?" = "LADEIRA",
+      "^LADEIRA?\\b(-|,|\\.) *" = "LADEIRA ",
+
+      # estabelecimentos
+      "^AER\\b(\\.|,)?" = "AEROPORTO", # sera que vale? tem uns casos estranhos aqui, e.g. "AER GUANANDY, 1", "AER WASHINGTON LUIZ, 3318"
+      "^AEROPORTO (AEROPORTO|AER)\\b(\\.|,)?" = "AEROPORTO",
+      "^AEROPORTO (INT|INTER)\\b(\\.|,)?" = "AEROPORTO INTERNACIONAL",
+
+      "^COND\\b(\\.|,)?" = "CONDOMINIO",
+      "^(CONDOMINIO|RODOVIA) (CONDOMINIO|COND)\\b(\\.|,)?" = "CONDOMINIO",
+
+      "^FAZ(EN?)?\\b\\.?" = "FAZENDA",
+      "^(FAZENDA|RODOVIA) (FAZ(EN?)?|FAZENDA)\\b(\\.|,)?" = "FAZENDA",
+
+      "^COL\\b\\.?" = "COLONIA",
+      "\\bCOLONIA AGRI?C?\\b\\.?" = "COLONIA AGRICOLA",
+
+      # títulos
+      "\\bSTA\\b\\.?" = "SANTA",
+      "\\bSTO\\b\\.?" = "SANTO",
+      "\\b(N(OS|SS?A?)?\\.? S(RA|ENHORA)|(NOSSA|NSA\\.?) (S(RA?)?|SEN(H(OR)?)?))\\b\\.?" = "NOSSA SENHORA",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( DE?)?|NOSSA SENHORA) (FAT.*|LO?UR.*|SANTANA|GUADALUPE|NAZ.*|COP*)\\b" = "NOSSA SENHORA DE \\4",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( D(A|E)?)?|NOSSA SENHORA) (GRACA|VITORIA|PENHA|CONCEICAO|PAZ|GUIA|AJUDA|CANDELARIA|PURIFICACAO|SAUDE|PIEDADE|ABADIA|GLORIA|SALETE|APRESENTACAO)\\b" = "NOSSA SENHORA DA \\5",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( D(A|E)?)?|NOSSA SENHORA D(A|E)) (APA.*|AUX.*|MEDIANEIRA|CONSOLADORA)\\b" = "NOSSA SENHORA \\6",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( D(OS?)?)?|NOSSA SENHORA) (NAVEGANTES)\\b" = "NOSSA SENHORA DOS \\5",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( DO?)?|NOSSA SENHORA) (CARMO|LIVRAMENTO|RETIRO|SION|ROSARIO|PILAR|ROCIO|CAMINHO|DESTERRO|BOM CONSELHO|AMPARO|PERP.*|P.* S.*)\\b" = "NOSSA SENHORA DO \\4",
+      "\\b(NS?\\.? S(R|ENH?)?\\.?( D(AS?)?)?|NOSSA SENHORA) (GRACAS|DORES)\\b" = "NOSSA SENHORA DAS \\5",
+      "\\bNOSSO (SR?|SEN)\\b\\.?" = "NOSSO SENHOR",
+
+      "\\bALM?TE\\b\\.?" = "ALMIRANTE",
+      "\\bMAL\\b\\.?" = "MARECHAL",
+      "\\b(GEN|GAL)\\b\\.?" = "GENERAL",
+      "\\b(SGTO?|SARG)\\b\\.?" = "SARGENTO",
+      "\\b(PRIMEIRO|PRIM|1)\\.? SARGENTO\\b" = "PRIMEIRO-SARGENTO",
+      "\\b(SEGUNDO|SEG|2)\\.? SARGENTO\\b" = "SEGUNDO-SARGENTO",
+      "\\b(TERCEIRO|TERC|3)\\.? SARGENTO\\b" = "TERCEIRO-SARGENTO",
+      "\\bCEL\\b\\.?" = "CORONEL",
+      "\\bBRIG\\b\\.?" = "BRIGADEIRO",
+      "\\bTEN\\b\\.?" = "TENENTE",
+      "\\bTENENTE CORONEL\\b" = "TENENTE-CORONEL",
+      "\\bTENENTE BRIGADEIRO\\b" = "TENENTE-BRIGADEIRO",
+      "\\bTENENTE AVIADOR\\b" = "TENENTE-AVIADOR",
+      "\\bSUB TENENTE\\b" = "SUBTENENTE",
+      "\\b(PRIMEIRO|PRIM\\.?) TENENTE\\b" = "PRIMEIRO-TENENTE",
+      "\\b(SEGUNDO|SEG\\.?) TENENTE\\b" = "SEGUNDO-TENENTE",
+      "\\bSOLD\\b\\.?" = "SOLDADO",
+
+      "\\bPROF\\b\\.?" = "PROFESSOR",
+      "\\bPROFA\\b\\.?" = "PROFESSORA",
+      "\\bDR\\b\\.?" = "DOUTOR",
+      "\\bDRA\\b\\.?" = "DOUTORA",
+      "\\bENG\\b\\.?" = "ENGENHEIRO",
+      "\\bENGA\\b\\.?" = "ENGENHEIRA",
+      "\\bPE\\b\\." = "PADRE", # PE pode ser só pe mesmo, entao forcando o PE. (com ponto) pra ser PADRE
+      "\\bMONS\\b\\.?" = "MONSENHOR",
+
+      "\\bPRES(ID)?\\b\\.?" = "PRESIDENTE",
+      "\\bGOV\\b\\.?" = "GOVERNADOR",
+      "\\bSEN\\b\\.?" = "SENADOR",
+      "\\bPREF\\b\\.?" = "PREFEITO",
+      "\\bDEP\\b\\.?" = "DEPUTADO",
+      "\\bVER\\b\\.?[^$ ]" = "VEREADOR",
+      "\\bMIN\\b\\.?[^$ ]" = "MINISTRO",
+
+      # abreviacoes
+      "\\bUNID\\b\\.?" = "UNIDADE",
+      "\\b(CJ|CONJ)\\b\\.?" = "CONJUNTO",
+      "\\bLT\\b\\.?" = "LOTE",
+      "\\bLTS\\b\\.?" = "LOTES",
+      "\\bQD\\b\\.?" = "QUADRA",
+      "\\bLJ\\b\\.?" = "LOJA",
+      "\\bLJS\\b\\.?" = "LOJAS",
+      "\\bAPTO?\\b\\.?" = "APARTAMENTO",
+      "\\bBL\\b\\.?" = "BLOCO",
+      "\\bSLS\\b\\.?" = "SALAS",
+      "\\bEDI?F\\.? EMP\\b\\.?" = "EDIFICIO EMPRESARIAL",
+      "\\bEDI?F\\b\\.?" = "EDIFICIO",
+      "\\bCOND\\b\\.?" = "CONDOMINIO", # apareceu antes mas como tipo de logradouro
+      "\\bKM\\b\\." = "KM",
+      # SL pode ser sobreloja ou sala
+
+      # intersecao entre nomes e titulos
+      #   - D. pode ser muita coisa (e.g. dom vs dona), entao nao da pra
+      #   simplesmente assumir que vai ser um valor especifico, so no contexto
+      #   - MAR pode ser realmente só mar ou uma abreviação pra marechal
+      "\\bD\\b\\.? (PEDRO|JOAO|HENRIQUE)" = "DOM \\1",
+      "\\bI(NF)?\\.? DOM\\b" = "INFANTE DOM",
+      "\\bMAR\\b\\.? ((CARMONA|JOFRE|HERMES|MALLET|DEODORO|MARCIANO|OTAVIO|FLORIANO|BARBACENA|FIUZA|MASCARENHAS|MASCARENHA|TITO|FONTENELLE|XAVIER|BITENCOURT|BITTENCOURT|CRAVEIRO|OLIMPO|CANDIDO|RONDON|HENRIQUE|MIGUEL|JUAREZ|FONTENELE|FONTENELLE|DEADORO|HASTIMPHILO|NIEMEYER|JOSE|LINO|MANOEL|HUMB?|HUMBERTO|ARTHUR|ANTONIO|NOBREGA|CASTELO|DEODORA)\\b)" = "MARECHAL \\1",
+
+      # nomes
+      "\\b(GETULHO|JETULHO|JETULIO|JETULHO|GET|JET)\\.? VARGAS\\b" = "GETULIO VARGAS",
+      "\\b(J(U[A-Z]*)?)\\.? (K(U[A-Z]*)?)\\b\\.?" = "JUSCELINO KUBITSCHEK",
+
+      # expressoes hifenizadas ou nao
+      #   - beira-mar deveria ter pelo novo acordo ortografico, mas a grafia da
+      #   grande maioria das ruas (se nao todas, nao tenho certeza) eh beira
+      #   mar, sem hifen
+      "\\bBEIRA-MAR\\b" = "BEIRA MAR",
+
+      # rodovias
+      "\\b(RODOVIA|BR\\.?|RODOVIA BR\\.?) CENTO D?E (DESESSEIS|DESESEIS|DEZESSEIS|DEZESEIS)\\b" = "RODOVIA BR-116",
+      "\\b(RODOVIA|BR\\.?|RODOVIA BR\\.?) CENTO D?E H?UM\\b" = "RODOVIA BR-101",
+      # será que essas duas de baixo valem?
+      "\\bBR\\.? ?(\\d{3})" = "BR-\\1",
+      # essa aqui é complicada... AL, AP, SE, entre outras, são siglas que podem aparecer sem serem rodovias
+      "\\b(RO|AC|AM|RR|PA|AP|TO|MA|PI|CE|RN|PB|PE|AL|SE|BA|MG|ES|RJ|SP|PR|SC|RS|MS|MT|GO|DF) ?(\\d{3})" = "\\1-\\2",
+
+      # 0 à esquerda
+      " (0)(\\d+)" = " \\2",
+
+      # correcoes de problemas ocasionados pelos filtros acima
+      "\\bTENENTE SHI\\b" = "TEN SHI",
+      "\\bHO SHI MINISTRO\\b" = "HO SHI MIN"
+
+      # ALM é um caso complicado, pode ser alameda ou almirante. inclusive no mesmo endereço podem aparecer os dois rs
+    )
+  )
+
+  return(logradouros_padrao)
+}

_pkgdown.yml

@@ -6,6 +6,7 @@ reference:
     - padronizar_bairros
     - padronizar_ceps
     - padronizar_numeros
+    - padronizar_logradouros
   - title: "Tabelas de códigos"
   - contents:
     - codigos_municipios