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）
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。
<!DOCTYPE html>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<meta name="viewport" content="initial-scale=1.0, user-scalable=no" />
<style type="text/css">
body, html,#allmap {width: 100%;height: 100%;overflow: hidden;margin:0;font-family:"微软雅黑";}
#panel{
position:absolute;
left:5px;
top:5px;
}
#result{
background: #fff;
padding:5px;
}
</style>
<script src="http://libs.baidu.com/jquery/2.0.0/jquery.min.js"></script>
<script type="text/javascript" src="http://api.map.baidu.com/api?v=2.0&ak=1XjLLEhZhQNUzd93EjU5nOGQ"></script>
<title>添加行政区划</title>
</head>
<body>
<div id="allmap"></div>
<div id="panel">
<div>
<input type="text" id="keyword" value="昆明市"/>
<input type="button" value="查看范围" id="commitBtn"/>
边界经纬度坐标
<textarea id="pathStr"></textarea>
边界墨卡托坐标
<textarea id="pathMc"></textarea>
</div>
<div id="result">
</div>
</div>
</body>
</html>
<script type="text/javascript">
// 百度地图API功能
var map = new BMap.Map("allmap");
map.centerAndZoom(new BMap.Point(116.403765, 39.914850), 5);
map.enableScrollWheelZoom();
var mercatorProjection = map.getMapType().getProjection();
$("#commitBtn").bind('click', function(){
getBoundary($("#keyword").val());
});
function getBoundary(city){
var bdary = new BMap.Boundary();
bdary.get(city, function(rs){ //获取行政区域
map.clearOverlays(); //清除地图覆盖物
var count = rs.boundaries.length; //行政区域的点有多少个
if (count === 0) {
alert('未能获取当前输入行政区域');
return ;
}
var pointArray = [];
for (var i = 0; i < count; i++) {
var ply = new BMap.Polygon(rs.boundaries[i], {strokeWeight: 2, strokeColor: "#ff0000"}); //建立多边形覆盖物
map.addOverlay(ply); //添加覆盖物
pointArray = pointArray.concat(ply.getPath());
}
var pathStr = "";
var pathMc = "";
for (var i = 0; i < pointArray.length; i++) {
var mc = mercatorProjection.lngLatToPoint(pointArray[i]);
pathStr += pointArray[i].lng + "," + pointArray[i].lat + ";";
pathMc += mc.x + "," + mc.y + ";";
}
$('#pathStr').html(pathStr);
$('#pathMc').html(pathMc);
var ply = new BMap.Polygon(pointArray , {strokeWeight: 2, strokeColor: "#ff0000"}); //建立多边形覆盖物
var bounds = ply.getBounds();
var ne = bounds.getNorthEast();
var sw = bounds.getSouthWest();
var neMc = mercatorProjection.lngLatToPoint(ne);
var swMc = mercatorProjection.lngLatToPoint(sw);
var str = "经纬度:左下角,右上角：" + sw.lng + "," + sw.lat + ";" + ne.lng + "," + ne.lat
+ "<br/>墨卡托坐标:左下角,右上角：" + swMc.x + "," + swMc.y + ";" + neMc.x + "," + neMc.y;
$('#result').html(str);
console.log(bounds);
map.setViewport(pointArray); //调整视野
});
}
//getBoundary('北京');
</script>
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、webbrowser、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.map.baidu.com/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) print (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，应该是还算是官网。
https://www.python.org/
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！
转自----------------http://blog.csdn.net/sinat_41310868/article/details/78746251
