从杂乱无规律的地址中提取省市县，可以通过以下步骤实现：

1. 数据清洗：

去除无效字符：需要去除地址中的标点符号、特殊字符等，保留中文和数字。

标准化格式：如果地址中有重复的词或短语，如“省”、“市”、“县”等，可以将其统一格式化，例如将“省”统一为“省”，“市”统一为“市”。

2. 文本预处理：

分词：使用中文分词工具（如jieba、HanLP等）将地址分割成单个词语。

词性标注：对分词后的词语进行词性标注，以确定每个词语的词性。

3. 命名实体识别：

实体识别：使用命名实体识别（NER）技术识别地址中的省市县等实体。常用的NER模型有基于规则的方法、基于统计的方法和基于深度学习的方法。

规则匹配：可以预先定义一些规则，如“省”、“市”、“县”等字样后面跟随的汉字序列，可能是省市县名称。

4. 实体修正：

纠正错误识别：对于识别错误的实体，可以通过人工或半自动的方式进行修正。

合并实体：对于地址中可能出现的重复实体（如“浙江省杭州市”，其中“浙江”既是省名也是市名的一部分），需要进行合并处理。

5. 后处理：

排序：将识别出的省市县按照从大到小的顺序排列。

验证：对识别出的省市县进行验证，确保其正确性。

以下是一个简单的Python代码示例，使用jieba进行分词和词性标注，并使用简单的规则进行实体识别：

```python

import jieba

import jieba.posseg as pseg

def extract_entity(address):

分词和词性标注

words = pseg.cut(address)

entities = []

for word, flag in words:

假设市、县、省等实体后面通常跟随的是地名

if flag in ['ns', 'n', 'v']:

entities.append(word)

return entities

示例

address = "浙江省杭州市西湖区文三路"

entities = extract_entity(address)

print(entities)

```

请注意，以上代码仅为示例，实际应用中可能需要更复杂的处理和更多的规则。在实际操作中，可能还需要结合地理信息系统（GIS）数据，以进一步提高识别的准确性。