利用python爬取城市公交站點

頁面分析

https://guiyang.8684.cn/line1

爬蟲

我們利用requests請求，利用BeautifulSoup來解析，獲取我們的站點數據。得到我們的公交站點以后，我們利用高德api來獲取站點的經緯度坐標，利用pandas解析json文件。接下來開干，我推薦使用面向對象的方法來寫代碼。

import requests
import json
from bs4 import BeautifulSoup
import pandas as pd
​
​
class bus_stop:
 ## 定義一個類，用來獲取每趟公交的站點名稱和經緯度
 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'}
 ## 調用高德api獲取公交線路的經緯度
 ### 這個key大家可以自己去申請
 def get_location(self, line):
 url_api = 'https://restapi.amap.com/v3/bus/linename?s=rsv3&extensions=all&key=559bdffe35eec8c8f4dae959451d705c&output=json&city=貴陽&offset=2&keywords={}&platform=JS'.format(
 line)
 res = requests.get(url_api).text
 # print(res) 可以用於檢驗傳回的信息里面是否有自己需要的數據
 rt = json.loads(res)
 dicts = rt['buslines'][0]
 # 返回df對象
 df = pd.DataFrame.from_dict([dicts])
 return df
 ## 獲取每趟公交的站點名稱
 def get_line(self):
 for start in self.starnum:
 start = str(start)
 # 構造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  # 獲取a標簽下的公交線路 
 lines.append(line)
 return lines
​
​
if __name__ == '__main__':
 bus_stop = bus_stop()
 stop_df = pd.DataFrame([])
 lines = []
 bus_stop.get_line()
 # 輸出路線
 print('一共有{}條公交路線'.format(len(lines)))
 print(lines)
 # 異常處理
 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)

 # 輸出異常的路線 
 print('異常路線有{}條公交路線'.format(len(error_lines))) 
 print(error_lines)

 # 輸出文件大小 
 print(stop_df.shape)
 stop_df.to_csv('bus_stop.csv', encoding='gbk', index=False)

數據清洗

我們先來看效果，我需要對busstops列進行清洗。我們的總體思路，分列->逆透視->分列。我會接受兩種方法，一是Excel PQ，二是python。

Excel PQ 數據清洗

這一方法完全利用PQ，純界面操作，問題不大，所以我們看看流程就可以了，核心步驟就是和上面一樣的。

python數據清洗

## 我們需要處理的busstops列和ID列
data = stop_df[['id','busstops']]
data.head()

## 字典或者列表分列
df_pol = data.copy()
### 設置索引列
df_pol.set_index('id',inplace=True)
df_pol.head()

## 逆透視
### 釋放索引
df_pol.reset_index(inplace=True)
### 逆透視操作
df_pol_ps = df_pol.melt(id_vars=['id'], value_name='busstops')
df_pol_ps.head()

## 刪除空行
df_pol_ps.dropna(inplace=True,axis=0)
df_pol_ps.shape

## 分列
### 設置line_id
df_parse['line_id'] = df_pol_ps['id']
df_parse = df_pol_ps['busstops'].apply(pd.Series)
df_parse

我這里補充一下，我們一般還要對location列進行分列，把Long，lat分列出來，但是我們這里就不做了，都是重復勞動，而且我用的pq清洗，快很多。

## 寫入文件
df_parse.to_excel('貴陽市公交站點分布.xlsx', index=False)</pre>

QGIS坐標糾偏

QGIS基礎操作，我就不說了，順便說一下QGIS對csv格式支持較好，我推薦我們導入QGIS的文件為csv格式的文件。

導入csv文件

坐標糾偏

以前說了很多，我們高德地圖上的坐標是GCJ02坐標，我們需要轉成WGS 1984坐標，我們在QGIS里面需要借助GeoHey插件。

看一下這個坐標糾偏，區別還是很大。

總結

總的來說，我們還是推薦使用使用面向對象的方法來寫代碼，還有就是異常處理必不可少。我這次面對的問題是某些公交路線，高德API里面沒有，這樣就會異常，所以這次的異常處理不可缺少。從數據處理的角度來看，這次從速度和方便來說，pq完勝python，我推薦大家數據清洗就用pq，有些時候，我都會給出多種處理方法，pq看起來復雜，但是其實pq是最簡單的，總之，我高度推薦pq進行數據清洗。還有一點，python里面的索引比較麻煩，這次我要保證和bus_stop_id和line_id，這樣公交站點表和公交路線表才可以連接，其實這就是SQL里面的外鍵連接，所以我在python數據清洗的時候，涉及到大量的索引操作，在pq里面沒有這么復雜。說到這個索引，感謝我的SQL老師，當年她講解SQL里面的索引，約束，仿佛就在昨天。高德的這個key大家可以自己去申請，這個key可能有數量的限制。我接下來會把代碼上傳到Gitee，這個代碼的管理還是很重要的，自己也學習一下代碼的管理。接下來，感謝小學妹給的這個小項目，也感謝崔工對我的鼓勵，其實，我最近很忙，不太想寫文章的。最后，感謝認識的一個小學妹，她真的蠻優秀的，最后希望大家2021年最后這一個月萬事如意，開開心心，也希望我們都有一個光明的未來。還有一個坑，我建議大家在簡書上寫文章，真的本地的話，圖片上傳有問題。