Python实现两地铁站路径查询 广度优先搜索BFS、启发式搜索算法

操作思路及流程：

• 从网页获取数据
• 对数据进行处理
• 数据建图
• 搜索算法设计

数据获取

需要的Package: requests

#准备了一个链接，通过requests来抓取页面的信息，并打印下
r = requests.get('http://map.amap.com/service/subway?_1469083453978&srhdata=1100_drw_beijing.json')
r.encoding = r.apparent_encoding
print(r.text)

部分数据如下：

通过返回的信息[一系列的字典类型]我们可以找到一些貌似是我们想要的键值对数据[站名 、经纬度坐标等]

数据处理及提取

需要的Package: re 、numpy 、networkx

提取前我们需要想一下我们想要获得什么数据？
-   所有线路信息
   - 字典存储dict：key：线路名称[字符串]；value：站点名称[列表]
   
-  所有站点信息
   - 字典存储dict：key：站点名称[字符串]；value：站点坐标[元组]

def get_lines_stations_info(text):
    # 遍历text格式数据，组成地点数据结构
    # 所有线路信息的dict：key：线路名称；value：站点名称list
    lines_info = {}
    # 所有站点信息的dict：key：站点名称；value：站点坐标(x,y)
    stations_info = {}

    pattern = re.compile('"st".*?"kn"')
    lines_list = pattern.findall(text)
    for i in range(len(lines_list)):
        # 地铁线路名
        pattern = re.compile('"ln":".*?"')
        line_name = pattern.findall(lines_list[i])[0][6:-1]
        # 站点信息list
        pattern = re.compile('"rs".*?"sp"')
        temp_list = pattern.findall(lines_list[i])
        station_name_list = []
        for j in range(len(temp_list)):
            # 站名
            pattern = re.compile('"n":".*?"')
            station_name = pattern.findall(temp_list[j])[0][5:-1]
            station_name_list.append(station_name)
            # 坐标(x,y)
            pattern = re.compile('"sl":".*?"')
            #对格式进行转化
            position = tuple(map(float, pattern.findall(temp_list[j])[0][6:-1].split(',')))
            # 数据加入站点信息dict
            stations_info[station_name] = position

        # 数据加入地铁线路dict
        lines_info[line_name] = station_name_list
    return lines_info, stations_infos

每写完一个函数，对其进行以下测试：

 lines_info, stations_info = get_lines_stations_info(r.text)
 print(lines_info)  #线路信息
 print(stations_info) #站点信息

数据可视化

import networkx as nx
# 此代码解决不显示汉字的问题  设置字体
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
#指定figure的宽和高
plt.figure(figsize=(20, 20))
#定义一个无向图
stations_graph = nx.Graph()
#添加结点
stations_graph.add_nodes_from(list(stations_info.keys()))
#绘图
nx.draw(stations_graph, stations_info, with_labels=True, node_size=6)
#显示
plt.show()

图的创建

图一般有两种存储格式：邻接矩阵和邻接表

此次采用邻接表建图：

#将sta2加入key为sta1的字典的value中
def add_sta2tosta1(info,sta1,sta2):
    list_tmp = info.get(sta1)
    if not list_tmp:
        list_tmp = []
    list_tmp.append(sta2)
    info[sta1] = list_tmp
    return info
#根据线路信息创建邻接表
def create_map(lines_info):
    #邻接表: 字典形式key:站名 value:相邻的站名列表
    neighbor_info = {} #创建一个空字典
    for line_name,station_list in lines_info.items():
        for i in range(len(station_list) - 1):
            sta_one = station_list[i]
            sta_two = station_list[i+1]
            #添加信息  双方都要互相添加对方
            neighbor_info = add_sta2tosta1(neighbor_info,sta_one,sta_two)
            neighbor_info = add_sta2tosta1(neighbor_info,sta_two,sta_one)
    return neighbor_info

对函数进行测试：

nb_info = create_map(lines_info)
print(nb_info)

有了邻接表我们就可以对地图进行搜索遍历,在这之前，我们在对原来的图根据邻接表信息添加上折线

stations_connection_graph = nx.Graph(nb_info)
plt.figure(figsize=(30, 30))
nx.draw(stations_connection_graph, stations_info, with_labels=True, node_size=6)
plt.show()

谢谢 有被图丑到^ ^

搜索算法设计

方法1：非启发式搜索 DFS、BFS

如果我们想找到一条最短路径，可以用DFS吗？答案是不可以。

• 当求解目的是必须找到最优解时，要使用BFS。
• 当求解目标是只要找到解即可，而且内存大小受限，则要使用DFS。

#BFD寻找最短路径
def BFS(lines_info,neighbor_info,start_station,end_station):
    # 搜索策略：以站点数量为cost（因为车票价格是按站算的）
    # 这种情况下，站点间的坐标距离难以转化为可靠的启发函数，所以只用简单的BFS算法
    # 由于每深一层就是cost加1，所以每层的cost都相同，算和不算没区别，所以省略
    #输入信息错误
    if (not neighbor_info.get(start_station)) or (not neighbor_info.get(end_station)):
        return None
    #搜索的路线：key:站点名 value:从start_station到key的路径
    paths = {}
    #添加初始站点
    paths[start_station] = [start_station]
    while True:
        #临时变量：存放下一层要遍历的结点  key:站点名 value:从start_station到key的路径
        paths_tmp = {}
        #遍历此次要遍历的所有结点
        for (k,val) in paths.items():
            #获取当前结点的邻接结点列表
            neighbors = neighbor_info[k].copy()
            if (len(val) >= 2):
                pre_station = val[-2]
                # 不往上一站走
                neighbors.remove(pre_station)
            #遍历邻接结点
            for station in neighbors:
                #如果已经走过了
                if station in paths:
                    continue
                #添加该节点
                path = val.copy()
                path.append(station)
                #入队
                paths_tmp[station] = path
                if station == end_station:
                    return path
        #更新队列
        paths = paths_tmp

测试：

print(BFS(lines_info,nb_info,'朝阳门','望京西'))

[‘朝阳门’, ‘东四十条’, ‘东直门’, ‘柳芳’, ‘光熙门’, ‘芍药居’, ‘望京西’]

方法2：启发式搜索 路程最短优先

#以路径路程为cost的启发式搜索
def get_path_Astar(lines_info, neighbor_info, stations_info, from_station, to_station):
    # 搜索策略：以路径的站点间直线距离累加为cost，以当前站点到目标的直线距离为启发函数

    # 检查输入站点名称
    if not neighbor_info.get(from_station):
        print('起始站点“%s”不存在。请正确输入！'%from_station)
        return None
    if not neighbor_info.get(to_station):
        print('目的站点“%s”不存在。请正确输入！'%to_station)
        return None
    
    # 计算所有节点到目标节点的直线距离，备用
    distances = {}
    x,y = stations_info.get(to_station)
    for (k,v) in stations_info.items():
        x0,y0 = stations_info.get(k)
        l = ((x-x0)**2 + (y-y0)**2)**0.5
        distances[k] = l
        
    # 已搜索过的节点，dict
    # key=站点名称，value是已知的起点到此站点的最小cost
    searched = {}
    searched[from_station] = 0
    
    # 数据结构为pandas的dataframe
    # index为站点名称
    # g为已走路径，h为启发函数值（当前到目标的直线距离）
    nodes = pd.DataFrame([[[from_station], 0, 0, distances.get(from_station)]],
                         index=[from_station], columns=['path', 'cost', 'g', 'h'])
    print(nodes)
    
    count = 0
    while True:
        if count > 1000:
            break
        nodes.sort_values('cost', inplace=True)
        #index:估价函数最小的站点名称 node：一些其他属性信息
        for index, node in nodes.iterrows():
            #迭代次数+1
            count += 1
            # 向邻居中离目的地最短的那个站点搜索  neighbors：距离目的地最近的结点的邻居
            neighbors = neighbor_info.get(index).copy()
            if len(node['path']) >= 2:
                # 不向这个路径的反向去搜索
                neighbors.remove(node['path'][-2])
            for i in range(len(neighbors)):
                count += 1
                neighbor = neighbors[i]
                # g : 已经走的路径+此次走的距离
                g = node['g'] + get_distance(stations_info, index, neighbor)
                # h :当前结点到目标结点的距离
                h = distances[neighbor]
                # cost计算估价哈桑农户
                cost = g + h
                #将当前结点加入最短距离路径index中
                path = node['path'].copy()
                path.append(neighbor)
                # 找到目标，结束
                if neighbor == to_station:
                    print('共检索%d次。'%count)
                    return path
                #如果当前结点已经被搜索过了
                if neighbor in searched:
                    #并且现在搜索的路径不是最优，忽略
                    if g >= searched[neighbor]:
                        continue
                    else:
                        #否则修改 g 信息
                        searched[neighbor] = g
                        # 修改此站点对应的node信息 [先删除，再添加]
                        nodes.drop(neighbor, axis=0, inplace=True)#inplace=True表示在本来的数据上进行删除
                        row = pd.DataFrame([[path, cost, g, h]],index=[neighbor], columns=['path', 'cost', 'g', 'h'])
                        nodes = nodes.append(row)
                else:
                    #没有搜索过则进行标记
                    searched[neighbor] = g
                    row = pd.DataFrame([[path, cost, g, h]],index=[neighbor], columns=['path', 'cost', 'g', 'h'])
                    nodes = nodes.append(row)
            # 这个站点的所有邻居都搜索完了，删除这个节点
            nodes.drop(index, axis=0, inplace=True)

        # 外层for循环只跑第一行数据，然后重新sort后再计算
        continue     
        
    print('未能找到路径')
    return None

#获得两者之间的距离
def get_distance(stations_info, str1, str2):
    x1,y1 = stations_info.get(str1)
    x2,y2 = stations_info.get(str2)
    return ((x1-x2)**2 + (y1-y2)**2)** 0.5

测试：

paths = get_path_Astar(lines_info, nb_info, stations_info, '朝阳门', '望京西')
if paths:
 print("路径总计%d站。"%(len(paths)-1))
 print("-".join(paths))

共检索122次。
路径总计6站。
朝阳门-东四十条-东直门-柳芳-光熙门-芍药居-望京西

主函数代码：

if __name__ == '__main__':
    #获取数据
    r = requests.get('http://map.amap.com/service/subway?_1469083453978&srhdata=1100_drw_beijing.json')
    r.encoding = r.apparent_encoding
    #数据提取及处理
    lines_info, stations_info = get_lines_stations_info(r.text)
    #print(lines_info)
    #print(stations_info)

    # 画地铁图
    matplotlib.rcParams['font.sans-serif'] = ['SimHei']# 此代码解决不显示汉字的问题
    plt.figure(figsize=(20, 20))
    stations_graph = nx.Graph()
    stations_graph.add_nodes_from(list(stations_info.keys()))
    nx.draw(stations_graph, stations_info, with_labels=True, node_size=6)
    #plt.show()

    #建立图[连接表/连接矩阵]
    nb_info = create_map(lines_info)
    #print(nb_info)

    stations_connection_graph = nx.Graph(nb_info)
    plt.figure(figsize=(30, 30))
    nx.draw(stations_connection_graph, stations_info, with_labels=True, node_size=6)
    #plt.show()

    print(BFS(lines_info,nb_info,'朝阳门','望京西'))
    paths = get_path_Astar(lines_info, nb_info, stations_info, '朝阳门', '望京西')
    if paths:
        print("路径总计%d站。"%(len(paths)-1))
        print("-".join(paths))