Python爬蟲——城市公交、地鐵站點和線路數據採集

　　本篇博文爲博主（whgiser）原創，轉載請註明。

　　城市公交、地鐵數據反映了城市的公共交通，研究該數據能夠挖掘城市的交通結構、路網規劃、公交選址等。可是，這類數據每每掌握在特定部門中，很難獲取。互聯網地圖上有大量的信息，包含公交、地鐵等數據，解析其數據反饋方式，能夠經過Python爬蟲採集。閒言少敘，接下來將詳細介紹如何使用Python爬蟲爬取城市公交、地鐵站點和數據。

　　首先，爬取研究城市的全部公交和地鐵線路名稱，即XX路，地鐵X號線。能夠經過圖吧公交、公交網、868四、本地寶等網站獲取，該類網站提供了按數字和字母劃分類別的公交線路名稱。Python寫個簡單的爬蟲就能採集，可參看WenWu_Both的文章，博主詳細介紹瞭如何利用python爬取8684上某城市全部的公交站點數據。該博主採集了站點詳細的信息，包括，可是缺乏了公交站點的座標、公交線路座標數據。這就讓人抓狂了，沒有空間座標怎麼落圖，怎麼分析，因此，本文重點介紹的是站點座標、線路的獲取。

　　以圖吧公交爲例，點擊某一公交後，出現該路公交的詳細站點信息和地圖信息。博主頓感興奮，以爲立刻就要成功了，各類抓包，發現並不能解析。可能博主技術所限，若有大神能從中抓到站點和線路的座標信息，請不吝賜教。這TM就讓人絕望了啊，到嘴的肥肉吃不了。

　　天無絕人之路，嘗試找找某地圖的API，發現能夠調用，經過解析，可以找到該數據的後臺地址。熟悉前端的能夠試試，博主前端也就只會個hello world，不獻醜了。這是一種思路，實踐證實是能夠的。

　　地圖API能夠，那麼經過地圖抓包呢？打開某圖主頁，直接輸入某市公交名稱，經過抓包，成功找到站點和線路信息。具體抓包信息以下圖所示，busline_list中詳細列出了站點和線路的信息，其中有兩條，是同一趟公交不一樣方向的數據，略有差異，需注意。找到入口事後，接下來爬蟲就要大顯身手了。

　　主要爬取代碼以下，其實也很簡單，主函數以下。首先須要構建傳入的參數，主要的包括路線名稱，城市編碼，地理範圍，縮放尺度。地理範圍能夠經過座標拾取器獲取，參數經url編碼後，發送請求，判斷返回數據是否符合要求（注：可能該線路地圖上停運或不存在，也多是訪問速度過快，反爬蟲機制須要人工驗證，博主爬取的時候碰到過，因此後面設置了隨機休眠）。接下來，就是解析json數據了。代碼中的extratStations和extractLine，就是提取須要的字段，怎麼樣，是否是很簡單。最後，就是保存了，站點和路線分別存儲。

 1 def main():
 2     df = pd.read_excel("線路名稱.xlsx",)
 3     BaseUrl = "https://ditu.amap.com/service/poiInfo?query_type=TQUERY&pagesize=20&pagenum=1&qii=true&cluster_state=5&need_utd=true&utd_sceneid=1000&div=PC1000&addr_poi_merge=true&is_classify=true&"
 4     for bus in df[u"線路"]:
 5         params = {
 6             'keywords':'11路',
 7             'zoom': '11',
 8             'city':'610100',
 9             'geoobj':'107.623|33.696|109.817|34.745'
10         }
11         print(bus)
12         paramMerge = urllib.parse.urlencode(params) 
13         #print(paramMerge)
14         targetUrl = BaseUrl + paramMerge
15         stationFile = "./busStation/" + bus + ".csv"
16         lineFile = "./busLine/" + bus + ".csv"
17         
18         req = urllib.request.Request(targetUrl)
19         res = urllib.request.urlopen(req)
20         content = res.read()
21         jsonData = json.loads(content)
22         if (jsonData["data"]["message"]) and jsonData["data"]["busline_list"]:
23             busList = jsonData["data"]["busline_list"] ##busline 列表
24             busListSlt = busList[0] ## busList共包含兩條線，方向不一樣的同一趟公交,任選一趟爬取
25             
26             busStations = extratStations(busListSlt)
27             busLine = extractLine(busListSlt)
28             writeStation(busStations, stationFile)
29             writeLine(busLine, lineFile)
30             
31             sleep(random.random() * random.randint(0,7) + random.randint(0,5)) #設置隨機休眠
32         else:
33             continue

　　附上博主的解析函數：

 1 def extratStations(busListSlt):
 2     busName = busListSlt["name"]
 3     stationSet = []
 4     stations = busListSlt["stations"]
 5     for bs in stations:
 6         tmp = []
 7         tmp.append(bs["station_id"])
 8         tmp.append(busName)
 9         tmp.append(bs["name"])
10         cor = bs["xy_coords"].split(";")
11         tmp.append(cor[0])
12         tmp.append(cor[1])
13         wgs84cor1 = gcj02towgs84(float(cor[0]),float(cor[1]))
14         tmp.append(wgs84cor1[0])
15         tmp.append(wgs84cor1[1])
16         stationSet.append(tmp)
17     return stationSet
18 
19 def extractLine(busListSlt):
20     ## busList共包含兩條線，備註名稱
21     keyName = busListSlt["key_name"]
22     busName = busListSlt["name"] 
23     fromName = busListSlt["front_name"]
24     toName = busListSlt["terminal_name"]
25     lineSet = []
26     Xstr = busListSlt["xs"]
27     Ystr = busListSlt["ys"]
28     Xset = Xstr.split(",")
29     Yset = Ystr.split(",")
30     length = len(Xset)
31     for i in range(length):
32         tmp = []
33         tmp.append(keyName)
34         tmp.append(busName)
35         tmp.append(fromName)
36         tmp.append(toName)
37         tmp.append(Xset[i])
38         tmp.append(Yset[i])
39         wgs84cor2 = gcj02towgs84(float(Xset[i]),float(Yset[i]))
40         tmp.append(wgs84cor2[0])
41         tmp.append(wgs84cor2[1])
42         lineSet.append(tmp)
43     return lineSet

　　爬蟲採集原始數據以下：

　　如下是某一條公交站點和線路的處理後的數據展現。因爲不一樣的地圖商採用不一樣的座標系，會有不一樣程度的誤差，須要座標糾偏。下一步，博主將詳細介紹如何批量將這些站點和座標進行座標糾正和矢量化。