书接上回，这里防止有小伙伴对方法二运用的程度还不够举一反三，还是单独开一篇进行讲解，本篇文章依然以综合得分指数最高的地铁站——吕厝站进行分析，来获取站点的出入口位置坐标，站点的出入口位置坐标本质上属于高德POI分类的一部分，细分类别属于"交通设施服务；地铁站；出入口"，所以本质上我们获取的是高德的POI数据，只是聚焦于站点出入口这个类别；
上篇文章指路：Python应用指南：利用高德地图API获取POI数据_利用高德地图api获取南京市内的商场poi及其格局分析-CSDN博客
先讲一下方法思路，一共四个步骤；
方法思路
- 通过高德拾取坐标，生成矩形，打印出来坐标
- 获取POI数据——通过调用高德地图API
- GeoJSON转成csv
- 坐标转换——高德坐标系（GCJ-02） to WGS84
第一步，通过高德拾取坐标：坐标拾取器 | 高德地图API (amap.com)，先拾取要获取POI范围的坐标中心点，生成边长为500m的矩形，这里需要更改范围的话，自行调整即可，把这个side_length_meters = 500，调整成需要的范围即可，因为这里的地理坐标使用的是高德坐标系（GCJ-02），所以生成的范围也是高德坐标系下的结果，打印出来坐标；
这里通过高德地图的测距功能测得大概以吕厝站为起点，涵盖所有出入口的范围大约在500m左右，所以这里矩形创建的边长为500m；
完整代码#运行环境Python 3.11
import math
def get_rectangle_corners_gps(center_lng, center_lat, side_length_meters=500):
# 地球平均半径，单位为米
earth_radius = 6371000
# 每度纬度对应的米数
meters_per_degree_lat = math.pi * earth_radius / 180
# 每度经度对应的米数（在给定纬度处）
meters_per_degree_lng = meters_per_degree_lat * math.cos(math.radians(center_lat))
# 计算纬度和经度的变化量
delta_lat = side_length_meters / meters_per_degree_lat / 2
delta_lng = side_length_meters / meters_per_degree_lng / 2
# 计算四个角的坐标
top_left = (center_lng - delta_lng, center_lat + delta_lat)
top_right = (center_lng + delta_lng, center_lat + delta_lat)
bottom_left = (center_lng - delta_lng, center_lat - delta_lat)
bottom_right = (center_lng + delta_lng, center_lat - delta_lat)
return [top_left, top_right, bottom_left, bottom_right]
# 使用示例
center_lng, center_lat = 121.508092, 31.098532
side_length_meters = 500
# 包含四个角的经纬度坐标的列表，顺序为左上角、右上角、左下角、右下角
corners = get_rectangle_corners_gps(center_lng, center_lat, side_length_meters)
print("矩形四个角的坐标为:", corners)打印高德坐标系（GCJ-02）坐标结果如下；
第二步，把获取的500m的矩形进行分割，因为高德对POI获取的限制，多边形搜索接口中每个边界范围能够获取到的POI数量是有限制的，超过该限制的POI数据则不会返回，所以我们把矩形分割成尽可能小的矩形，防止数据返回失败，然后再进一步获取每个网格POI数据；
完整代码#运行环境Python 3.11
import requests
import json
import os
import math
from concurrent.futures import ThreadPoolExecutor
# 全局变量
KEYS = ["你的key"] # 高德地图API的Key列表，可以添加多个以应对请求限制
SAVE_DIR = r"D:\data\gaode" # 数据保存目录
GRID_SIZE = 0.001 # 网格大小为0.001度（大约为100m）
KEYWORD = "地铁出入口" # 查询关键字，可以修改为其他关键词
polygon_coords = [
[118.12548841420609, 24.492928304014796],
[118.13042958579392, 24.492928304014796],
[118.12548841420609, 24.488431695985206],
[118.13042958579392, 24.488431695985206]
] # 查询的多边形区域坐标
NUM_THREADS = 4 # 线程数量，可以根据需求调整
def file_exists(polygon, keyword, page):
"""检查文件是否已经存在"""
lng_min, lat_min = polygon[0][0], polygon[2][1]
filename = f"{SAVE_DIR}/poi_{lng_min}_{lat_min}_{keyword}_page{page}.geojson"
return os.path.exists(filename)
def save_poi_data(polygon, keyword, page, data):
"""保存POI数据到GeoJSON文件"""
if not os.path.exists(SAVE_DIR):
os.makedirs(SAVE_DIR) # 如果目录不存在则创建
lng_min, lat_min = polygon[0][0], polygon[2][1]
filename = f"{SAVE_DIR}/poi_{lng_min}_{lat_min}_{keyword}_page{page}.geojson"
with open(filename, "w", encoding="utf-8") as f:
json.dump(data, f, ensure_ascii=False, indent=4) # 保存数据为GeoJSON格式
return True
def fetch_poi_data(polygon, key, keyword):
"""获取POI数据，支持分页"""
lng_min, lat_min = polygon[0][0], polygon[2][1]
page = 1
while True:
if file_exists(polygon, keyword, page):
print(f"文件已存在，跳过：网格: {polygon}，页数: {page}")
page += 1
continue
polygon_str = f"{lng_min},{lat_min}|{polygon[1][0]},{polygon[1][1]}"
api_url = f"https://restapi.amap.com/v3/place/polygon?polygon={polygon_str}&keywords={keyword}&key={key}&page={page}"
try:
response = requests.get(api_url, timeout=10)
response.raise_for_status() # 检查HTTP响应状态码
data = response.json()
infocode = data.get("infocode")
if infocode == "10000" and data.get("pois"):
save_poi_data(polygon, keyword, page, data)
print(f"下载成功！网格: {polygon_str}，页数: {page}")
page += 1
if len(data.get("pois")) < 20: # 当POI数据少于20时，说明已经是最后一页
break
elif infocode in ["10001", "10003", "10004"]:
print(f"Key 出现问题，infocode: {infocode}，切换到下一个Key进行重试...")
return False # 返回False以便切换Key进行重试
else:
print(f"请求失败或无数据，infocode: {infocode}，信息: {data.get('info')}")
break
except Exception as e:
print(f"请求异常，跳过此Key：{str(e)}")
break
return True # 下载成功或完成所有页数时返回True
def generate_grids(polygon_coords):
"""生成网格"""
min_lng = min([coord[0] for coord in polygon_coords]) # 获取多边形区域的最小经度
max_lng = max([coord[0] for coord in polygon_coords]) # 获取多边形区域的最大经度
min_lat = min([coord[1] for coord in polygon_coords]) # 获取多边形区域的最小纬度
max_lat = max([coord[1] for coord in polygon_coords]) # 获取多边形区域的最大纬度
grids = []
lng_steps = math.ceil((max_lng - min_lng) / GRID_SIZE) # 计算经度方向上的网格数量
lat_steps = math.ceil((max_lat - min_lat) / GRID_SIZE) # 计算纬度方向上的网格数量
for i in range(lng_steps):
for j in range(lat_steps):
grid_min_lng = min_lng + i * GRID_SIZE # 计算当前网格的最小经度
grid_max_lng = min(grid_min_lng + GRID_SIZE, max_lng) # 计算当前网格的最大经度
grid_min_lat = min_lat + j * GRID_SIZE # 计算当前网格的最小纬度
grid_max_lat = min(grid_min_lat + GRID_SIZE, max_lat) # 计算当前网格的最大纬度
grid_polygon = [
[grid_min_lng, grid_max_lat],
[grid_max_lng, grid_max_lat],
[grid_max_lng, grid_min_lat],
[grid_min_lng, grid_min_lat]
]
grids.append(grid_polygon)
return grids
def download_poi_for_grid(polygon, key, keyword):
"""下载单个网格的POI数据"""
success = fetch_poi_data(polygon, key, keyword)
if not success:
return False # 返回False以便线程外层处理Key切换
return True
def main():
grids = generate_grids(polygon_coords)
with ThreadPoolExecutor(max_workers=NUM_THREADS) as executor:
for idx, grid in enumerate(grids):
key_idx = 0
while key_idx < len(KEYS):
key = KEYS[key_idx]
future = executor.submit(download_poi_for_grid, grid, key, KEYWORD)
if future.result():
break # 如果下载成功或完成，则跳出循环
key_idx += 1
if key_idx == len(KEYS):
print(f"所有Key均不可用，跳过此网格: {grid}")
if __name__ == "__main__":
main()这里进一步解释一下代码的逻辑，实现根据提供的多边形区域坐标生成一系列小网格，每个网格的大小由GRID_SIZE决定，接下来根据给定的网格、API Key和关键词发起请求，获取POI数据。该函数支持分页，当遇到请求错误或Key限制时会尝试使用不同的Key重新请求；
GRID_SIZE定义了网格的大小，单位是度（约等于100米），整个查询区域会被分割成多个这样的网格，这里的矩形均匀地划分为 25 个 100×100 的小矩形；
结果数据如下（部分）；
第三步，就是把这些获取的GeoJSON转成csv，因为我们对网格进行了拆分，所以在合并的时候注意一下，这里文件的矩形顶点坐标会不一致，所以在文件合并的时候把读取文件名改成 *_地铁出入口_page1.geojson'即可，*这个星号表示选择所有列，其他注意事项可以看一下原文章；
# 输入文件模式
input_file_pattern = r'D:\data\gaode\*_地铁出入口_page1.geojson'完整代码#运行环境Python 3.11
import json
import csv
from glob import glob
def merge_pois_from_files(file_pattern, output_file):
all_pois = []
# 获取所有匹配给定模式的文件路径
file_paths = sorted(glob(file_pattern))
if not file_paths:
print("No files found matching the pattern.")
return
for input_file_path in file_paths:
try:
# 打开文件并读取内容，指定编码（根据你的文件实际编码，这里使用 utf-8 作为示例）
with open(input_file_path, 'r', encoding='utf-8') as f:
# 加载 JSON 数据
data = json.load(f)
# 检查是否存在 'pois' 键
if 'pois' in data:
# 遍历 pois 列表
for poi in data['pois']:
# 提取所需字段
id = poi.get('id', '未找到')
name = poi.get('name', '未找到')
location = poi.get('location', '未找到')
address = poi.get('address', '未找到')
adname = poi.get('adname', '未找到')
cityname = poi.get('cityname', '未找到')
type = poi.get('type', '未找到')
# 将提取的信息添加到列表中
all_pois.append({
'id': id,
'name': name,
'location': location,
'address': address,
'adname': adname,
'cityname': cityname,
'type': type
})
else:
# 如果文件中不包含 'pois' 键，打印错误信息
print(f"{input_file_path} does not contain 'pois' key.")
except FileNotFoundError:
# 捕获文件未找到的错误
print(f"File not found: {input_file_path}")
except json.JSONDecodeError:
# 捕获 JSON 解析错误
print(f"Invalid JSON format in {input_file_path}.")
except Exception as e:
# 捕获其他未预料的错误
print(f"Unexpected error occurred while processing {input_file_path}: {e}")
# 写入 CSV 文件
write_to_csv(all_pois, output_file)
def write_to_csv(pois_list, output_file_path):
# 定义 CSV 文件的字段名
fieldnames = ['id', 'name', 'location', 'address', 'adname', 'cityname', 'type']
# 写入 CSV 文件
with open(output_file_path, 'w', newline='', encoding='utf-8') as csvfile:
writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
# 写入表头
writer.writeheader()
# 写入数据
for poi in pois_list:
writer.writerow(poi)
if __name__ == '__main__':
# 输入文件模式
input_file_pattern = r'D:\data\gaode\*_地铁出入口_page1.geojson'
# 输出文件路径
output_file_path = 'D:\data\gaode\merged_poi.csv'
# 合并所有文件中的 POIs 并写入 CSV 文件
merge_pois_from_files(input_file_pattern, output_file_path)
生成csv结果如下，我们只把地铁站点出入口的数据筛选出来即可；
第四步，我们把csv的坐标列手动分列一下，并把坐标从高德坐标系（GCJ-02）转到WGS84，批量转换工具：地图坐标系批量转换 - 免费在线工具 (latlongconverter.online)；
文章仅用于分享个人学习成果与个人存档之用，分享知识，如有侵权，请联系作者进行删除。所有信息均基于作者的个人理解和经验，不代表任何官方立场或权威解读。
扫一扫
804
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
