HTML是一个很神奇的格式,代码可以在文本文档里写,不过应该很少有人用文本文档写代码吧。
这段代码可以直接拿来用,也是我从网上找的,就不分析了。
2.更合理的对查询范围进行切分。
这是一个很常见的问题,我们要采集昆明市的中学兴趣点,然后就把矩形等分了六份,遍历一遍(其实要不遗漏的获取兴趣点,只切六个绝对不够用)。
这种切分方式其实并不完美,分析一下,中心城区兴趣点肯定分布更密集,而郊区会稀疏一些,而且一个城市的边界不可能是矩形的,我们用一个大矩形切分,会爬取到一些其他城市的兴趣点。
有相关从业经验的人应该能想到,如果有这个城市的分幅格网,遍历分幅格网来爬取兴趣点会更好一些,当然分幅格网我们也可以自己生成,根据预估的兴趣点疏密程度,中心城区格网加密一些,外围合并一些。
arcgis有一个工具fishnet(创建渔网),可以生成格网。
四至坐标可以在字段计算器里计算,选用python语言
minX=!shape.extent.xmin!
maxX=!shape.extent.xmax!
minY=!shape.extent.ymin!
maxY=!shape.extent.ymax!
之前写过一篇画分幅格网的教程:http://blog.sina.com.cn/s/blog_4c6ee7230102v590.html
把arcgis属性表导出,可以用excel打开。
用这个坐标列表去生成url列表,主要就是open和write语句的运用,其实都可以直接在excel里用函数去生成url列表。
python逐行读入:
f=open(路径,’a’)
f.readlines()
3.python中文乱码问题解决
其实这是一个很棘手的问题。对于初学者来说,遇到乱码问题,如何解决是一个幸运度的问题。有可能运气不好,就解决不了了,有可能运气够好,根本遇不上。
在乱码问题上,python2.7要多于python3
我精心挑选了几个我觉得讲得比较好的文章,大家可以参考一下,网上相关的文章太多了,容易懵。
这篇中文乱码的解决方式:
http://www.jb51.net/article/42707.htm
用sys.getfilesystemencoding()获取文件系统的编码方式。
import sys
type = sys.getfilesystemencoding()
print mystr.decode('utf-8').encode(type)
这篇文章写得比较细:
http://blog.csdn.net/ggggiqnypgjg/article/details/53271541
我的经验是,如果遇到乱码,怎么都调试不成功,那么可以换一个编译环境,从python2.7换到python3,或者用别的函数,例如不用urllib2,用beautiful
soul,或者requests等,有可能莫名其妙乱码的问题就不出现了呢!
4.并发量限制与延时功能
import time
time.sleep(10)
这两行代码的意思是,延时10秒中,它解决的是一分钟内并发量限制的问题,如果我们没有做认证,那么一分钟能访问API服务的次数不超过几次,超过了就会提示访问超过并发量,就爬不到数据了。
解决这个问题的方法就是用time.sleep(10),每次循环都先休眠10秒,就不会访问超过并发量了。
我觉得10秒够用了,所以就设定了10秒,不过如果认证过的开发者,应该不会遇到并发量限制的问题。
这段代码示例一下:
import time
time.sleep(10)
print time.time()
休眠十秒,打印当前时间,结果是一个浮点秒数。
5.把代码移植到python3中。
python2.7和python3略微有些差异,python3版本有一个好处就是中文乱码的情况没那么多,而且很多功能和第三方库都被整合了。
下面这段代码是python3中的,可以看出比较于python2.7版本,进行了几处改变,requests、列表的引用等。
#-*-coding:UTF-8-*-
import json
import sys
import requests #导入requests库,这是一个第三方库,把网页上的内容爬下来用的
ty=sys.getfilesystemencoding() #这个可以获取文件系统的编码形式
import time
lat_1=24.390894
lon_1=102.174112
lat_2=26.548645
lon_2=103.678942 #坐标范围
las=1 #给las一个值1
ak='9s5GSYZsWbMaFU8Ps2V2VWvDlDlqGaaO'
push=r'D:\python\zwzwlast.txt'
#我们把变量都放在前面,后面就不涉及到变量了,如果要爬取别的POI,修改这几个变量就可以了,不用改代码了。
print (time.time()) #相较于python2.7,,python3print
需要加括号。
print ('开始')
urls=[] 声明一个数组列表
lat_count=int((lat_2-lat_1)/las+1)
lon_count=int((lon_2-lon_1)/las+1)
for lat_c in range(0,lat_count):
lat_b1=lat_1+las*lat_c
for lon_c in
range(0,lon_count):
lon_b1=lon_1+las*lon_c
for i in range(0,20):
page_num=str(i)
url='http://api.ma/place/v2/search?query=中学&
bounds='+str(lat_b1)+','+str(lon_b1)+','+str(lat_b1+las)+','+str(lon_b1+las)+'&page_size=20&page_num='+str(page_num)+'&output=json&ak='+ak
urls.append(url)
#urls.append(url)的意思是,将url添加入urls这个列表中。
f=open(r'D:\python\kunmingxuexiao.txt','a',encoding='utf-8')
print ('url列表读取完成')
for url in urls:
time.sleep(10) #为了防止并发量报警,设置了一个10秒的休眠。
html=requests.get(url)#获取网页信息
data=html.json()#获取网页信息的json格式数据
for item in
data['results']:
jname=item['name']
jlat=item['location']['lat']
jlon=item['location']['lng']
jadd=item['address']
j_str=jname+','+str(jlat)+','+str(jlon)+','+jadd+'\n'
f.write(j_str)
(time.time())
f.close()
print ('完成')
6.代码简化问题。
可以通过分析json数据提炼一下简化方式。
网页打开之后,看一下。
{
"status":0,
"message":"ok",
"total":400,
"results":[
{
"name":"北大附中云南实验学校",
"location":{
"lat":25.009573,
"lng":102.723208
},
"address":"昆明市日新中路北大附中云南实验学校",
"street_id":"beabdbf4ac3394997069d3c7",
"detail":1,
"uid":"beabdbf4ac3394997069d3c7"
主要看results上面那三行,其中total,是这个矩形范围内有多少个兴趣点,有400个,说明我矩形画大了,应该再细分一下,这个数应该小于400,因为我们之前已经说过20页网址最多爬400个poi,total是400,说明实际的poi数量是大于400个的。
提取某一坐标范围中第一页数据的时候,我们可以先获取total值,这样就可以计算出page_num的值了,如果total是100,那么只循环到第五页,page_num=4的时候就可以了。
这是代码的一个简化方式。
当然应该还有很多,有待我们发觉。
7.过程参考资料汇总
因为使用python的人很多,所以网上的资料也很多,不过要找到比较合适的,也没那么容易。但是说实话,走弯路、排除错误答案也是学习收获的一个过程,实践过错的,才知道什么是对的嘛!
最有用的参考资料,还得是是官网。
学好英语很必要。
这个网址,讲的是requests的用法。
http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
当然,买本书应该也不错。
然后脚本之家和CSDN都有很好的教程,不过也不是所有教程都是对的,多看多试多思考多练习,就会有多获得。
最后会再来一篇python安装和第三方库安装篇,这个python的零基础教程就先告一段落吧!