在这篇博文中，笔者从实验的角度，从爬数据的困难出发，阐述如何从Google Map上爬地图数据。本文的出发点为实验，而非商用。Google Map对其自己的数据具有其权益，希望读者以博文为学习实验之用，不要将自己所爬到的数据用于商用。如果因为此类事件所引起的纠纷，笔者概不负责。笔者也希望，大家在看到此博文后，能够进一步改进其数据的安全性。
笔者在实验室某个GIS项目中必须需要一定数据级的地图数据。在百般无奈下，笔者开始从Google Map爬数据。从Google Map上采集一定量的数据有作实验。
从Google Map爬数据的原理
Google Map所采用的是Mercator坐标系。何为Mercator坐标系？读者可以详见{链接}。在Google Map也是以金字塔模型的方式来组织切图文件的。至于，它的后端处理或者存储方式或者文件命名方式是怎么样，笔者不得而知。笔者只能从URL等方面进行分析，大概确定其地图文件的组织方式。在金字塔模型中，地图分成若干层，每一层数据的分辨率为上层的4倍（横向与纵向各2倍）。同时，每一层数据的分辨是极其巨大，而且成指数形式增加。如果一下子，将一层的数据作为一个文件返回给用户，无论从网络的传输能力、CPU处理能力还是内存的存储能力而言都是无法做到的。而且用户所观看的只是地图的某一层的某一块区域。因而，一般都会将地图数据进行切图，即进行切分，将地图数据切成分辨率相等的若干块。因而，我们可以得知，每一层数据集的文件数为上层的4倍。
笔者使用GoogleChrome来查看Google Map的Resources，图如下:
我们可以清楚地看到，在Google Map的地图文件并不是一次加载一整张，而是分成若干块，每一块的分辨为256*256。同时，我们也得到了每一块地图的地址，例如http://mt0.google.com/lyrs=m@176000000&hl=zh-CN&src=app&x=1&y=1&z=1&s=Ga.png。其中x、y是决定文件左上角坐标的参数，z为决定文件层次的参数。通过向Google Map服务器请求，我们可以得到第0层具有1块。从而第level层，具有2^level*2^level块，即x、y的取值范围为[0,2^level-1]。第level层每一块数据的横向经度差为360/2^level，纵向纬度差为180/2^level。
| x=0&y=0&z=0 |
 |
| x=0&y=0&z=1 | x=1&y=0&z=1 |
 |  |
| x=0&y=1&z=1 | x=1&y=1&z=1 |
 |  |
我们可以得知，x=xx，y=yy，z=zz的这块数据，所在的图层为zz层，该图层中每块数据的经度差为360/2^zz，纬度差为180/2^zz，左上角的经纬度为(360/2^zz*xx-180, 180/2^zz*yy-90)。同样，我们也可从一个数据块的左上角经纬度反推出这个文件在zz层的x与y。这也就是我们从Google Map爬数据的原理。
从Google Map爬数据有何难点？
1. 在国内由于政治等原因，连接Google服务器会有所中断。
2. Google的Web服务器，或者Google防火墙，会对某一台客户端的请求进行统计。如果一段时间内，请求数超过一定的值，此后的请求会直接被忽略。据说，当一天中，来自某一个IP的请求数超过7000个时，此后的请求后直接被忽略。
3. 单线程操作的效率太低，多线程情况下，效率会有很大提升。
4. Google服务器会对每个请求检查，判断是否来自浏览器还是来自爬虫。
5. 对于已下载的文件无须下载，即爬虫必须拥有“断点续传”的功能。不能由于网络的中断或者人为的中断，而导致之前的进度丢失。
对于这些难点有何解决方案
1. 对于第1点难点，我们可以使用国外的服务器作为我们的代理。这样，我们通过国外的服务器来请求Google Map。而对于大名鼎鼎的GFW而言，我们连接的并不是Google的服务器，而是其它的服务器。只要那台服务器没有被墙，我们就可以一直下载。
2. 对于第2个难点，我们依然可以使用代理。一旦，下载失败，这个代理ip可能已经被Google Map所阻拦，我们就需要更换代理。如果，代理的连接速度较慢，或者代理的下载文件时，超时较多，可能我们目前所使用的代理与我们的机器之间的网络连接状态不佳，或者代理服务负载较重。我们也需要更换代理。
3. 单线程操作的效率太低，我们需要使用多线程。但是，在使用多线程时，由于每一个文件的大小都很小，因而我们设计多线程机制时，每一个线程可以负责下载若干个文件。而不同的线程所下载的文件之间，没有交集。
4. 对于第4点，我们可以在建立http连接时，设置”User-Angent”，例如：
- httpConnection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
- httpConnection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
5. 对于第5点，我们可以在每下一个文件之间，事先判断文件是否已经完成。这有很多种解决方法，笔者在这里，采用file.exists()来进行判断。因为，对于下载一个文件而言，检查文件系统上某一个文件的代价会小很多。
改进与具体实现
1. 代理的获取
代理的获取有很多种方式。但如果一开始就配置所有的代理，那么，当这些代理都已经无法使用时，系统也将无法运行下去。当然，我们也不想那么麻烦地不断去更换代理。笔者是一个lazy man，所以还是由计算机自己来更换代理吧。笔者在此使用www.18daili.com。www.18daili.com会将其收集到代理已web的形式发布出来。因而，我们可以下载这张网页，对进行解析，便可以得最新可用的代理了。笔者在这里使用Dom4J来进行网页的解析。
2. 架构
其中，分成三个模块:Downloader, DownloadThread, ProxyConfig。Downloader负责初化化线程池以存放DownloaderThread。每一个DownloadThread都会负责相应的若干个切图数据的下载。DownloadThread从ProxyConfig那里去获取代理，并从文件系统中检查某一个文件是否已经下载完成，并将下载完成文件按一定的规则存储到文件系统中去。ProxyConfig会从www.18daili.com更新现有的代理，在笔者的系统，每取1024次代理，ProxyCofig就会更新一次。
原码
Downloader:
- package ??;
-
- import java.util.concurrent.ExecutorService;
- import java.util.concurrent.Executors;
-
- public class Downloader {
-
- private static int minLevel = 0;
- private static int maxLevel = 10;
- private static String dir = "D:\\data\\google_v\\";
- private static int maxRunningCount = 16;
- private static int maxRequestLength = 100;
-
- public static void download() {
- ExecutorService pool = Executors.newFixedThreadPool(maxRunningCount);
-
- for (int z = minLevel; z <= maxLevel; z++) {
- int curDt = 0;
- int requests[][] = null;
- int maxD = (int) (Math.pow(2, z));
- for (int x = 0; x < maxD; x++) {
- for (int y = 0; y < maxD; y++) {
- if (curDt % maxRequestLength == 0) {
- String threadName = "dt_" + z + "_" + curDt;
- DownloadThread dt = new DownloadThread(threadName, dir, requests);
- pool.execute(dt);
- curDt = 0;
- requests = new int[maxRequestLength][3];
- }
- requests[curDt][0] = y;
- requests[curDt][1] = x;
- requests[curDt][2] = z;
- curDt++;
- }
- }
- DownloadThread dt = new DownloadThread("", dir, requests);
- pool.execute(dt);
- }
-
- pool.shutdown();
- }
-
- public static void main(String[] strs) {
- download();
- }
- }
DownloadThread:
- package ??;
-
- import java.io.BufferedInputStream;
- import java.io.File;
- import java.io.FileInputStream;
- import java.io.FileOutputStream;
- import java.io.InputStream;
- import java.net.HttpURLConnection;
- import java.net.Proxy;
- import java.net.URL;
- import java.text.SimpleDateFormat;
- import java.util.Date;
-
-
- public class DownloadThread extends Thread {
- private static int BUFFER_SIZE = 1024 * 8;
- private static int MAX_TRY_DOWNLOAD_TIME = 128;
- private static int CURRENT_PROXY = 0;
- private String threadName = "";
- private String dir;
-
- private String tmpDir;
- private Proxy proxy;
- private int[][] requests;
- private String ext = ".png";
- private static SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
-
- public DownloadThread(String threadName, String dir, int[][] requests) {
- this.threadName = threadName;
- this.dir = dir;
-
- this.requests = requests;
- }
-
- @Override
- public void run() {
- Date now = new Date();
- System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t开始运行");
- long t1 = System.currentTimeMillis();
- long totalLength = download();
- long t2 = System.currentTimeMillis();
- double speed = (double) totalLength / (t2 - t1);
- now = new Date();
- if (speed < 0.5) {
- CURRENT_PROXY++;
- }
- System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t完成运行\t" + speed + "kB/s");
- }
-
- public long download() {
- long totalLength = 0;
- if (requests == null) {
- return 0;
- }
-
- for (int i = 0; i < requests.length; i++) {
- int yy = requests[i][0];
-
- int xx = requests[i][1];
- int zz = requests[i][2];
- int yyg = (int) (Math.pow(2, zz) - 1 - requests[i][0]);
- this.tmpDir = dir + "/tmp/" + zz + "/";
- File tmpDirFile = new File(tmpDir);
- if (tmpDirFile.exists() == false) {
- tmpDirFile.mkdirs();
- }
- String dirStr = dir + "/download/" + zz + "/" + yy + "/";
- File fileDir = new File(dirStr);
- if (fileDir.exists() == false) {
- fileDir.mkdirs();
- }
- String fileStr = dirStr + yy + "_" + xx + ext;
- File file = new File(fileStr);
-
-
- String url = "http://mt0.google.com/vt/lyrs=m@174000000&hl=zh-CN&src=app&x=" + xx + "&y=" + yyg + "&z=" + zz
- + "&s=";
-
- if (file.exists() == false) {
- String tmpFileStr = tmpDir + yy + "_" + xx + ext;
- boolean r = saveToFile(url, tmpFileStr);
- if (r == true) {
- totalLength += cut(tmpFileStr, fileStr);
- Date now = new Date();
- System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "\t"+proxy+"\t完成！");
- } else {
- Date now = new Date();
- System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "\t"+proxy+"\t失败！");
- }
- } else {
- Date now = new Date();
- System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "已经下载！");
- }
- }
- return totalLength;
- }
-
- public static long cut(String srcFileStr, String descFileStr) {
-
- try {
-
- int byteread = 0;
- File srcFile = new File(srcFileStr);
- File descFile = new File(descFileStr);
- if (srcFile.exists()) {
- InputStream is = new FileInputStream(srcFileStr);
- FileOutputStream os = new FileOutputStream(descFileStr);
- byte[] buffer = new byte[1024 * 32];
-
- while ((byteread = is.read(buffer)) != -1) {
-
-
- os.write(buffer, 0, byteread);
- }
- is.close();
- os.close();
- }
- srcFile.delete();
- return descFile.length();
- } catch (Exception e) {
- System.out.println("复制单个文件操作出错");
- e.printStackTrace();
-
- }
- return 0;
-
- }
-
- public boolean saveToFile(String destUrl, String fileName) {
- int currentTime = 0;
- while (currentTime < MAX_TRY_DOWNLOAD_TIME) {
- try {
- FileOutputStream fos = null;
- BufferedInputStream bis = null;
- HttpURLConnection httpConnection = null;
- URL url = null;
- byte[] buf = new byte[BUFFER_SIZE];
- int size = 0;
-
-
- url = new URL(destUrl);
-
- currentTime++;
- proxy = ProxyConfig.getProxy(CURRENT_PROXY);
-
-
-
-
-
-
-
- if (proxy == null) {
- httpConnection = (HttpURLConnection) url.openConnection();
- } else {
- httpConnection = (HttpURLConnection) url.openConnection(proxy);
- }
-
- httpConnection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
-
- httpConnection.setConnectTimeout(60000);
- httpConnection.setReadTimeout(60000);
-
-
- httpConnection.connect();
-
- bis = new BufferedInputStream(httpConnection.getInputStream());
-
- fos = new FileOutputStream(fileName);
-
-
-
-
-
- while ((size = bis.read(buf)) != -1){
-
- fos.write(buf, 0, size);
- }
-
- fos.close();
- bis.close();
- httpConnection.disconnect();
-
- break;
- } catch (Exception e) {
-
- CURRENT_PROXY++;
- }
- }
- if (currentTime < MAX_TRY_DOWNLOAD_TIME) {
- return true;
- } else {
- return false;
- }
- }
-
- }
ProxyConfig:
如需转载，请标明出处：http://blog.csdn.net/JairusChan
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
