利用python爬取城市公交站点
页面分析
https://guiyang.8684.cn/line1
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)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。