Cómo extraer y normalizar direcciones con Copilot en Fabric

João Barros 16 de September de 2026 4 min de lectura

Este tutorial muestra cómo usar Copilot en Fabric para extraer y normalizar direcciones a partir de texto libre — útil para transformar datos de contactos o registros en columnas estructuradas (calle, número, código postal, ciudad, país) listas para análisis y geocodificación.

Requisitos previos

Cuenta con acceso a Microsoft Fabric y permisos para usar Copilot en el workspace.
Una tabla o archivo con una columna de texto que contenga direcciones mixtas (ej.: CSV en OneLake o tabla en el Warehouse).
Noociones básicas de SQL o Dataflow Gen2 (opcional para contexto).

Paso 1: Preparar la fuente de datos

Abra el archivo o tabla que contiene la columna de texto con las direcciones. Es importante tener una muestra representativa (50–500 filas) para que Copilot aprenda el patrón. Si está en un CSV en OneLake, cárguelo en un Dataset en el Workspace.

Paso 2: Iniciar Copilot en el contexto del archivo/tabla

En el archivo de datos (puede ser Dataset, Dataflow Gen2 o tabla en el Warehouse), abra el panel de Copilot. Explique claramente a Copilot el objetivo: extraer campos de dirección y normalizar el formato. Un prompt claro reduce errores comunes.

Paso 3: Prompt inicial para extracción

Pida a Copilot que identifique y extraiga los componentes básicos. Use ejemplos en el prompt (3–5 líneas) para mostrar variaciones. Ejemplo de prompt mínimo:

Tenho uma columna "raw_address" com texto livre. Para cada linha, crie colunas: street, number, postal_code, city, country. Aqui vão exemplos:
"Rua da Liberdade 23, 1200-456 Lisboa, Portugal" -> street: Rua da Liberdade; number: 23; postal_code: 1200-456; city: Lisboa; country: Portugal
"Av. da República, 45, 4000 Porto" -> street: Av. da República; number: 45; postal_code: 4000; city: Porto; country: Portugal
Gere uma transformação que produza as colunas pedidas e trate casos sem número ou sem país.

Paso 4: Revisar y adaptar la transformación sugerida

Copilot normalmente sugiere código o pasos (por ejemplo, transformación en Dataflow Gen2 o SQL en el Warehouse). Revise si utiliza regex adecuadas y cubre variaciones (abreviaturas: Av., R., nº). Pida a Copilot que añada reglas para abreviaturas y que rellene campos vacíos con NULL o valores por defecto.

Paso 5: Implementar la transformación (ejemplo SQL en el Warehouse)

Si elige generar SQL, Copilot podrá sugerir algo como el ejemplo mínimo abajo. Inserte y ejecute en el Query Editor del Warehouse o en una view.

SELECT
  raw_address,
  -- extrai número no fim ou após vírgula
  NULLIF(REGEXP_EXTRACT(raw_address, '\\b(\\d{1,5})(?:[ -]?[A-Z0-9]+)?\\b'), '') AS number,
  -- extrai código postal português (ex.: 1200-456 ou 4000)
  NULLIF(REGEXP_EXTRACT(raw_address, '(\\d{4}-\\d{3}|\\d{4})'), '') AS postal_code,
  -- tenta extrair cidade antes da vírgula ou após postal code
  NULLIF(TRIM(REGEXP_EXTRACT(raw_address, '(?:\\d{4}-\\d{3}|\\d{4})[, ]*([^,]+)')), '') AS city,
  -- detecta país por palavra-chave comum; pode ser NULL
  CASE WHEN raw_address LIKE '%Portugal%' THEN 'Portugal' ELSE NULL END AS country,
  -- street: remove número, postal e cidade para isolar rua
  TRIM(REGEXP_REPLACE(raw_address, '(\\d{4}-\\d{3}|\\d{4})|\\b(Portugal|Portugal)\\b|,?\\s*[^,]+$', '')) AS street
FROM my_dataset.my_table;

Paso 6: Tratar excepciones e iterar con Copilot

Ejecute una query en una muestra y analice errores comunes: fallos con abreviaturas, números atípicos, múltiples direcciones en una línea. Pida a Copilot que genere regex alternativos o que cree una columna con una etiqueta de calidad (ok / review) para las filas que no cumplan patrones. Ejemplos de prompt: "Marcar como review se não encontrar postal_code ou number".

Verificar el resultado

Confirme que las columnas street, number, postal_code, city y country están rellenadas correctamente en una muestra representativa. Busque filas con valores NULL inesperados y verifique la columna de calidad (si se creó). Pruebe también con formatos diferentes (abreviaturas, sin código postal, direcciones extranjeras).

Conclusión

Después de extraer y normalizar direcciones con Copilot en Fabric, puede usar los datos para deduplicación, geocodificación o análisis de localización. Próximos pasos: crear reglas automáticas para marcar y enviar filas en review para revisión humana, o integrar un servicio de geocodificación. Consejo: mantenga prompts con ejemplos reales de su dataset para reducir errores.