利用python爬取城市公交站点
目录
- 页面分析
- 爬虫
- 数据清洗
- Excel PQ 数据清洗
- python数据清洗
- QGIS坐标纠偏
- 导入csv文件
- 坐标纠偏
- 总结
利用python爬取城市公交站点
页面分析
爬虫
我们利用requests请求,利用BeautifulSoup来解析,获取我们的站点数据。得到我们的公交站点以后,我们利用高德api来获取站点的经纬度坐标,利用pandas解析json文件。接下来开干,我推荐使用面向对象的方法来写代码。
import requests import json from bs4 import BeautifulSoup import pandas as pd class bus_stop: ## 定义一个类,用来获取每趟公交的站点名称和经纬度 def __init__(self): self.url = 'https://guiyang.8684.cn/line{}' self.starnum = [] for start_num in range(1, 17): self.starnum.append(start_num) self.payload = {} self.headers = { 'Cookie': 'JSESSIONID=48304F9E8D55A9F2F8ACC14B7EC5A02D'} ## 调用高德api获取公交线路的经纬度 ### 这个key大家可以自己去申请 def get_location(self, line): url_api = 'https://restapi.amap.com/v3/bus/linename?s=rsv3&extensions=all&key=559bdffe35eec8c8f4dae959451d705c&output=json&city=贵阳&offset=2&keywords={}&platform=JS'.format( line) res = requests.get(url_api).text # print(res) 可以用于检验传回的信息里面是否有自己需要的数据 rt = json.loads(res) dicts = rt['buslines'][0] # 返回df对象 df = pd.DataFrame.from_dict([dicts]) return df ## 获取每趟公交的站点名称 def get_line(self): for start in self.starnum: start = str(start) # 构造url url = self.url.format(start) res = requests.request( "GET", url, headers=self.headers, data=self.payload) soup = BeautifulSoup(res.text, "lxml") div = soup.find('div', class_='list clearfix') lists = div.find_all('a') for item in lists: line = item.text # 获取a标签下的公交线路 lines.append(line) return lines if __name__ == '__main__': bus_stop = bus_stop() stop_df = pd.DataFrame([]) lines = [] bus_stop.get_line() # 输出路线 print('一共有{}条公交路线'.format(len(lines))) print(lines) # 异常处理 error_lines = [] for line in lines: try: df = bus_stop.get_location(line) stop_df = pd.concat([stop_df, df], axis=0) except: error_lines.append(line) # 输出异常的路线 print('异常路线有{}条公交路线'.format(len(error_lines))) print(error_lines) # 输出文件大小 print(stop_df.shape) stop_df.to_csv('bus_stop.csv', encoding='gbk', index=False)
数据清洗
我们先来看效果,我需要对busstops列进行清洗。我们的总体思路,分列->逆透视->分列。我会接受两种方法,一是Excel PQ,二是python。
Excel PQ 数据清洗
这一方法完全利用PQ,纯界面操作,问题不大,所以我们看看流程就可以了,核心步骤就是和上面一样的。
python数据清洗
## 我们需要处理的busstops列和ID列 data = stop_df[['id','busstops']] data.head()
## 字典或者列表分列 df_pol = data.copy() ### 设置索引列 df_pol.set_index('id',inplace=True) df_pol.head()
## 逆透视 ### 释放索引 df_pol.reset_index(inplace=True) ### 逆透视操作 df_pol_ps = df_pol.melt(id_vars=['id'], value_name='busstops') df_pol_ps.head()
## 删除空行 df_pol_ps.dropna(inplace=True,axis=0) df_pol_ps.shape
## 分列 ### 设置line_id df_parse['line_id'] = df_pol_ps['id'] df_parse = df_pol_ps['busstops'].apply(pd.Series) df_parse
我这里补充一下,我们一般还要对location列进行分列,把Long,lat分列出来,但是我们这里就不做了,都是重复劳动,而且我用的pq清洗,快很多。
## 写入文件 df_parse.to_excel('贵阳市公交站点分布.xlsx', index=False)</pre>
QGIS坐标纠偏
QGIS基础操作,我就不说了,顺便说一下QGIS对csv格式支持较好,我推荐我们导入QGIS的文件为csv格式的文件。
导入csv文件
坐标纠偏
以前说了很多,我们高德地图上的坐标是GCJ02坐标,我们需要转成WGS 1984坐标,我们在QGIS里面需要借助GeoHey插件。
看一下这个坐标纠偏,区别还是很大。
总结
总的来说,我们还是推荐使用使用面向对象的方法来写代码,还有就是异常处理必不可少。我这次面对的问题是某些公交路线,高德API里面没有,这样就会异常,所以这次的异常处理不可缺少。从数据处理的角度来看,这次从速度和方便来说,pq完胜python,我推荐大家数据清洗就用pq,有些时候,我都会给出多种处理方法,pq看起来复杂,但是其实pq是最简单的,总之,我高度推荐pq进行数据清洗。还有一点,python里面的索引比较麻烦,这次我要保证和bus_stop_id和line_id,这样公交站点表和公交路线表才可以连接,其实这就是SQL里面的外键连接,所以我在python数据清洗的时候,涉及到大量的索引操作,在pq里面没有这么复杂。说到这个索引,感谢我的SQL老师,当年她讲解SQL里面的索引,约束,仿佛就在昨天。高德的这个key大家可以自己去申请,这个key可能有数量的限制。我接下来会把代码上传到Gitee,这个代码的管理还是很重要的,自己也学习一下代码的管理。接下来,感谢小学妹给的这个小项目,也感谢崔工对我的鼓励,其实,我最近很忙,不太想写文章的。最后,感谢认识的一个小学妹,她真的蛮优秀的,最后希望大家2021年最后这一个月万事如意,开开心心,也希望我们都有一个光明的未来。还有一个坑,我建议大家在简书上写文章,真的本地的话,图片上传有问题。
以上就是利用python爬取城市公交站点的详细内容,更多关于python爬取城市公交站点的资料请关注我们其它相关文章!