加载中…零基础掌握百度地图兴趣点获取POI爬虫（python语言爬取）（进阶篇）
(2017-12-07 20:59:34)
标签：
python教程零基础爬虫arcgis |
分类： 21世纪需要全才 |
我是怎么想的，在新浪博客里写代码教程。
这篇博客的内容同步到了CSND博客中，那里不限制外链，也可以复制代码。
http://blog.csdn.net/sinat_41310868/article/details/78746251
好，现在进入进阶篇教程。
1.获取昆明市的bounds值
看到下面这个东西了吧？在文本框里写入昆明市，或者其他的行政区划地名，北京市、朝阳区、大河沟子村什么的。
这也是通过调用百度地图开放平台API实现的。
实现起来很简单，把下面这段代码复制到一个txt文件中，然后把txt文件的拓展名改成html，用浏览器打开，就可以查询行政区划的范围了。
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
ty=sys.getfilesystemencoding()
import time
lat_1=24.390894
lon_1=102.174112
lat_2=26.548645
lon_2=103.678942
las=1
ak='9s5GSYZsWbMaFU8Ps2V2VWvD
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())
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):
#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:
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。
{
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！
喜欢
0
赠金笔