描述:
本地建立資料庫,將excel資料儲存到city表中,再取|湖北省|的所有地級市和縣、縣級市、區資料作為樣表資料記錄在樣表中。利用python的xlrd包,定義process_data包來存放操作excel資料,生成sql語句的類,定義op_postgresql包來存放資料庫的操作物件,定義各種方法
本地建立資料庫,將excel資料儲存到city表中,再取|湖北省|的所有地級市和縣、縣級市、區資料作為樣表資料記錄在樣表中。
部落格地址:https://boywithacoin.cn/
專案的完整地址在https://github.com/Freen247/python_get_cit...
有興趣的可以給我評論和star/issue哦?~ (ง •_•)ง
本地建立資料庫,將excel資料儲存到city表中,再取|湖北省|的所有地級市和縣、縣級市、區資料作為樣表資料記錄在樣表中。準備工作建立好public/config.py擴充套件包,到時候,利用python的xlrd包,定義process_data包來存放操作excel資料,生成sql語句的類,
定義op_postgresql包來存放資料庫的操作物件,定義各種方法
建立crwler包,來存放爬蟲的操作物件 -> 發現對方網站呼叫的地圖api -> 更改為呼叫德地圖api的包-存放操作物件
建立log資料夾,存放資料庫操作的日誌
建立data資料夾,存放初始excel資料
資料庫基本構造:
樣本資料表格式:
表名:sample_table
name | column | data type | length | 分佈 | fk | 必填域 | 備註 |
---|---|---|---|---|---|---|---|
地域名 | address | text | TRUE | 地域名 | |||
地域型別 | ad_type | integer | TRUE | 0-為地級市;1-為縣、縣級市、區。 | |||
經緯度 | coordinates | text | TRUE | 地域名的經緯度 | |||
··· |
樣本1-1地點route表的格式
表名:sample_route
name | column | data type | length | 分佈 | fk | 必填域 | 備註 |
---|---|---|---|---|---|---|---|
出發點 | origin | text | 出發點 | ||||
目的點 | destination | text | 目的點 | ||||
距離 | distance | integer | 距離 | ||||
路線 | route | text | 路線 | ||||
··· |
建立配置資訊介面
方便儲存我們需要的特定變數和配置資訊。
public/config.py
#!/usr/bin/python
# -*- coding: utf-8 -*-
#__author__: stray_camel
import os,sys
#當前package所在目錄的上級目錄
src_path = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
建立讀取excel資料的介面
利用python的xlrd包,定義process_data包來存放操作excel資料,生成sql語句的類
參考github原始碼readme文件
並沒有發現在PyPI上有document,所以只能去github上找原始碼了,xlrd處理excel基礎guide
import xlrd
book = xlrd.open_workbook("myfile.xls")
print("The number of worksheets is {0}".format(book.nsheets))
print("Worksheet name(s): {0}".format(book.sheet_names()))
sh = book.sheet_by_index(0)
print("{0} {1} {2}".format(sh.name, sh.nrows, sh.ncols))
print("Cell D30 is {0}".format(sh.cell_value(rowx=29, colx=3)))
for rx in range(sh.nrows):
print(sh.row(rx))
建立process_data/excel2sql.py擴充套件包,方便後面import
獲取excel的資料構造sql語句,建立city表(湖北省)樣表
process_data/excel2sql.py
#!/usr/bin/python
# -*- coding: utf-8 -*-
#__author__: stray_camel
import xlrd,sys,os,logging
from public import config
class Excel2Sql(object):
def __init__(
self,
url:"str型別的檔案路徑",
sheet:"excel中的表單名"):
self.f_name = url
# 將excel中特定表單名資料儲存起來
self.sh_data = xlrd.open_workbook(self.f_name).sheet_by_name(sheet)
self.rows = self.sh_data.nrows
self.cols = self.sh_data.ncols
當我們生成這個Excel2Sql物件的時候,我們希望按照類似
excel_data = excel2sql.Excel2Sql("fiel_name","sheet_name")
的程式碼形式來直接讀取excel檔案並獲取某個表單的資料。所以在初始化物件的時候我們希望對其屬性進行賦值。
excel表中,我們按照下面的形式進行儲存資料:
省/直轄市 | 地級市 | 縣、縣級市、區 |
---|---|---|
北京市 | 北京市 | 東城區 |
... | ... | ... |
之後我們希望透過呼叫這個類(介面)地時候能夠訪問其中一個函式,只獲取某個省/或者直轄市的所有資料,類似湖北省,我們指向獲取奇中103個縣、區。
在類Excel2Sql中定義方法:
def init_SampleViaProvince_name(
self,
Province_name:"省名"
) ->"insert的資料,列表形式[('地域名1','1','經緯度'),('地域名2','1','經緯度')]":
geo_app = Geo_mapInterface(config.geo_key)
all_data = [self.sh_data.row_values(i) for i in range(self.rows)]
cities_data=[[["".join(i),1],["".join(i[1:len(i)]),1]][i[0]==i[1]] for i in all_data if i[0] == Province_name]
for i in cities_data:
i.append(geo_app.get_coordinatesViaaddress("".join(i[0])))
# cities_data=[[["".join(i),1,'test1'],["".join(i[1:len(i)]),1,'test2']][i[0]==i[1]] for i in all_data if i[0] == Province_name]
return cities_data
之後我們可以測試類的構造是否正確,或進行除錯:
在檔案末端編寫:
if __name__ == "__main__":
test = Excel2Sql(config.src_path+"\\data\\2019最新全國城市省市縣區行政級別對照表(194).xls","全國城市省市縣區域列表")
print(test.init_SampleViaProvince_name("北京市"))
測試結果:
(env) PS F:\覽眾資料> & f:/覽眾資料/env/Scripts/python.exe f:/覽眾資料/城市距離爬取/process_data/excel2sql.py
[['北京市東城區', 1, '116.416357,39.928353'], ['北京市西城區', 1, '116.365868,39.912289'], ['北京市崇文區', 1,
'116.416357,39.928353'], ['北京市宣武區', 1, '116.365868,39.912289'], ['北京市朝陽區', 1, '116.601144,39.948574'], ['北京市豐臺區', 1, '116.287149,39.858427'], ['北京市石景山區', 1, '116.222982,39.906611'], ['北京市海淀區', 1, '116.329519,39.972134'], ['北京市門頭溝區', 1, '116.102009,39.940646'], ['北京市房山區', 1, '116.143267,39.749144'], ['北京市通州區', 1, '116.656435,39.909946'], ['北京市順義區', 1, '116.654561,40.130347'], ['北京市昌
平區', 1, '116.231204,40.220660'], ['北京市大興區', 1, '116.341014,39.784747'], ['北京市平谷區', 1, '117.121383,40.140701'], ['北京市懷柔區', 1, '116.642349,40.315704'], ['北京市密雲縣', 1, '116.843177,40.376834'], ['北京
市延慶縣', 1, '115.974848,40.456951']]
建立OP資料庫postgresql(其他資料庫也都一樣啦~)介面
定義op_postgresql包來存放資料庫的操作物件,定義各種方法
資料庫的curd真的是從大二寫到大四。
訪問postgresql資料庫一般用的包:psycopg2
訪問官網
在這個操作文件網站中,使用的思路已經很清楚的寫出來了http://initd.org/psycopg/docs/usage.html
希望大小少在網上走彎路(少看一些翻譯過來的文件)。。。
http://initd.org/psycopg/
模式還是一樣,呼叫postgresql的驅動/介面,設定引數登陸,訪問資料庫。設定游標,注入sql資料,fetch返回值。
- 這裡需要注意的幾點是,預設防xss注入,寫程式碼時一般設定引數訪問。
- 注意生成日誌檔案,列印日誌
具體過程不贅述,直接上程式碼
op_postgresql/opsql.py:
#!/usr/bin/python
# -*- coding: utf-8 -*-
#__author__: stray_camel
'''
定義對mysql資料庫基本操作的封裝
1.資料插入
2.表的清空
3.查詢表的所有資料
'''
import logging
import psycopg2
from public import config
class OperationDbInterface(object):
#定義初始化連線資料庫
def __init__(self,
host_db : '資料庫服務主機' = 'localhost',
user_db: '資料庫使用者名稱' = 'postgres',
passwd_db: '資料庫密碼' = '1026shenyang',
name_db: '資料庫名稱' = 'linezone',
port_db: '埠號,整型數字'=5432):
try:
self.conn=psycopg2.connect(database=name_db, user=user_db, password=passwd_db, host=host_db, port=port_db)#建立資料庫連結
except psycopg2.Error as e:
print("建立資料庫連線失敗|postgresql Error %d: %s" % (e.args[0], e.args[1]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG,format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
self.cur=self.conn.cursor()
#定義在樣本表中插入資料操作
def insert_sample_data(self,
condition : "insert語句" = "insert into sample_data(address,ad_type,coordinates) values (%s,%s,%s)",
params : "insert資料,列表形式[('地域名1','1','經緯度'),('地域名2','1','經緯度')]" = [('地域名1','1','經緯度'),('地域名2','1','經緯度')]
) -> "字典形式的批次插入資料結果" :
try:
self.cur.executemany(condition,params)
self.conn.commit()
result={'code':'0000','message':'執行批次插入操作成功','data':len(params)}
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.info("在樣本表sample_data中插入資料{}條,操作:{}!".format(result['data'],result['message']))
except psycopg2.Error as e:
self.conn.rollback() # 執行回滾操作
result={'code':'9999','message':'執行批次插入異常','data':[]}
print ("資料庫錯誤|insert_data : %s" % (e.args[0]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
return result
繼續寫(程式碼長了,怕顯示出錯)
#定義在sample_route表中插入資料操作
def insert_sample_route(self,
condition : "insert語句" ,
params : "insert語句的值"
)->"字典形式的批次插入資料結果":
try:
self.cur.executemany(condition,params)
self.conn.commit()
result={'code':'0000','message':'執行批次插入操作成功','data':len(params)}
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.info("在樣本表sample_route中插入資料{}條,操作:{}!".format(result['data'],result['message']))
except psycopg2.Error as e:
self.conn.rollback() # 執行回滾操作
result={'code':'9999','message':'執行批次插入異常','data':[]}
print ("資料庫錯誤|insert_data : %s" % (e.args[0]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
return result
#定義對錶的清空
def ini_table(self,
tablename:"表名")->"清空表資料結果":
try:
rows_affect = self.cur.execute("select count(*) from {}".format(tablename))
test = self.cur.fetchone() # 獲取一條結果
self.cur.execute("truncate table {}".format(tablename))
self.conn.commit()
result={'code':'0000','message':'執行清空表操作成功','data':test[0]}
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.info("清空{}表,運算元據{}條,操作:{}!".format(tablename,result['data'],result['message']))
except psycopg2.Error as e:
self.conn.rollback() # 執行回滾操作
result={'code':'9999','message':'執行批次插入異常','data':[]}
print ("資料庫錯誤|insert_data : %s" % (e.args[0]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
return result
#查詢表的所有資料
def select_all(self,
tablename:"表名")->"返回list,存放查詢的結果":
try:
rows_affect = self.cur.execute("select * from {}".format(tablename))
test = self.cur.fetchall()
# self.cur.execute("truncate table {}".format(tablename))
self.conn.commit()
result={'code':'0000','message':'查詢表成功','data':test}
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.info("清空{}表,運算元據{}條,操作:{}!".format(tablename,result['data'],result['message']))
except psycopg2.Error as e:
self.conn.rollback() # 執行回滾操作
result={'code':'9999','message':'執行批次插入異常','data':[]}
print ("資料庫錯誤|insert_data : %s" % (e.args[0]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
return result
#資料庫關閉
def __del__(self):
self.conn.close()
這裡提出來想說一下的列印日誌檔案的操作,:
參考檔案:
https://docs.python.org/zh-cn/3/library/lo...
https://docs.python.org/zh-cn/3/library/lo...
logging作為python老牌庫,在https://docs.python.org/zh-cn/3/library/in...中一般都搜尋的到,引數的說明不過多的贅述。
因為我的程式碼都是用utf-8寫的所以在basicConfig配置時,加入了utf-8的資訊。
result={'code':'9999','message':'執行批次插入異常','data':[]}
print ("資料庫錯誤|insert_data : %s" % (e.args[0]))
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.exception(e)
測試爬取https://licheng.supfree.net/
網站
測試
https://licheng.supfree.net/
網站是否可以傳參進行post,獲取request後的兩地的地理距離
- 測試網站是否有反爬蟲機制,結果無。
透過測試request,設定測試地點洪山區和江夏區,網站顯示距離為16.5公里
解析html發現
測試結果:網站的資料是透過js檔案獲取傳參的。
var map = new BMap.Map("container");
map.centerAndZoom(new BMap.Point(116.404, 39.915), 14);
var oGl = document.getElementById("div_gongli");
var ofname = document.getElementById("tbxArea");
var otname = document.getElementById("tbxAreaTo");
if (ofname.value != "" && otname.value != "") {
var output = "全程:";
var searchComplete = function(results) {
if (transit.getStatus() != BMAP_STATUS_SUCCESS) {
return;
}
var plan = results.getPlan(0);
output += plan.getDistance(true); //獲取距離
output += "/";
output += plan.getDuration(true); //獲取時間
}
var transit = new BMap.DrivingRoute(map, {
renderOptions: {
map: map,
panel: "results",
autoViewport: true
},
onSearchComplete: searchComplete,
onPolylinesSet: function() {
oGl.innerText = output;
}
});
transit.search(ofname.value, otname.value);
}
...
我們檢視網站載入的js檔案,發現獲取Bmap這個物件原來是來自於
https://api.map.baidu.com/?qt=nav&c=131&sn=2%24%24%24%24%24%24%E6%B4%AA%E5%B1%B1%E5%8C%BA%24%240%24%24%24%24&en=2%24%24%24%24%24%24%E6%B1%9F%E5%A4%8F%E5%8C%BA%24%240%24%24%24%24&sy=0&ie=utf-8&oue=1&fromproduct=jsapi&res=api&callback=BMap._rd._cbk35162&ak=zS6eHWhoEwXMUrQKkaaTlvY65XsVykFf
很明顯,這個網站也是呼叫的百度的api。
我們檢視js檔案傳遞的部分引數:
content: {dis: 16538,…}
dis: 16538
kps: [{a: 7, dr: "", dw: 0, ett: 17, ic: "", iw: 0, pt: ".=zl83LBgOCJVA;", rt: 1, tt: 1},…]
rss: [{d: 0, g: "", n: "", rr: 0, t: 0, tr: 0},…]
taxi: {detail: [{desc: "白天(05:00-23:00)", kmPrice: "2.3", startPrice: "14.0", totalPrice: "47"},…],…}
time: 1516
toll: 0
...
核實content裡的dis和time是否就是網站顯示的距離和時間
當我們更換測試地點後,顯示的距離和https://api.map.baidu.com 中content的內容一樣
time:1516%60=25.26666666666667,和顯示的26分鐘也是核對的。
測試結果:網站沒有反爬蟲機制,但是呼叫的是百度地圖pai獲取數。
-
網站儲存地址的資料是按照編碼來的,對應的下級城市為小數
比如熱門城市:hot_city: ["北京市|131", "上海市|289", "廣州市|257", "深圳市|340", "成都市|75", "天津市|332", "南京市|315", "杭州市|179", "武漢市|218",…] 0: "北京市|131" 1: "上海市|289" 2: "廣州市|257" 3: "深圳市|340" 4: "成都市|75" 5: "天津市|332" 6: "南京市|315" 7: "杭州市|179" 8: "武漢市|218" 9: "重慶市|132"
當測試區級地點:(洪山區、江夏區)
map.centerAndZoom(new BMap.Point(116.404, 39.915), 14);
-
如果不行能否呼叫高德地圖api?
建立介面-呼叫高德地圖api
在高德的管理平臺註冊個人開發:https://lbs.amap.com/dev/key/app
申請個人的key。每日呼叫量有上線,所以只能一點點的做。
我們將申請到的key寫入配置資訊檔案中:
public/config.py
#!/usr/bin/python
# -*- coding: utf-8 -*-
#__author__: stray_camel
import os,sys
#當前package所在目錄的上級目錄
src_path = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
geo_key = '3e2235273ddtestdef4'
#key我已經打馬賽克了,請自己去申請
完成功能:
透過地域名查詢經緯度;
對出發/目的地點-路程-路線,資料進行查詢,並插入到資料庫中,現已實現。但對於資料量較多的情況,資料庫的操作較慢。
首先前往高德地圖註冊個人使用者,獲取一個key,之後我們可以透過構造url,透過request來獲取資料。
透過address獲取經緯度:
def get_coordinatesViaaddress(self,
address:"地點名"
) -> "返回str型別的經緯度":
url='https://restapi.amap.com/v3/geocode/geo?address='+address+'&output=json&key='+self.key
#將一些符號進行URL編碼
newUrl = parse.quote(url, safe="/:=&?#+!$,;'@()*
")
coor = json.loads(urllib.request.urlopen(newUrl).read())['geocodes'][0]['location']
logging.basicConfig(stream=open(config.src_path + '/log/syserror.log', encoding="utf-8", mode="a"), level = logging.DEBUG, format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s')
logger = logging.getLogger(__name__)
logger.info("查詢{}的經緯度:{}!".format(address,coor))
# print()
return coor
透過城市list獲取兩點之間距離和出行方式:
def get_disViaCoordinates(self,
addList:"一個列表存放地址資料"
) -> "{'origin':[],'destination':[],'distance':[],'route':[]}":
dict_route = {'origin':[],'destination':[],'distance':[],'route':[]}
for m in range(len(addList)):
for n in range(m,len(addList)):
if m!=n:
print('get_tetst',m,n)
#從addList中得到地址的名稱,經緯度
origin = addList[m][2]
destination = addList[n][2]
url2='https://restapi.amap.com/v3/direction/driving?origin='+origin+'&destination='+destination+'&extensions=all&output=json&key=3e2235273dd2c0ca2421071fbb96def4'
#編碼
newUrl2 = parse.quote(url2, safe="/:=&?#+!$,;'@()*[]")
#傳送請求
response2 = urllib.request.urlopen(newUrl2)
#接收資料
data2 = response2.read()
#解析json檔案
jsonData2 = json.loads(data2)
#輸出該json中所有road的值
# print(jsonData2)
road=jsonpath.jsonpath(jsonData2,'$..road')
#從json檔案中提取距離
distance = jsonData2['route']['paths'][0]['distance']
#字典dict_route中追加資料
dict_route.setdefault("origin",[]).append(addList[m][0])
dict_route.setdefault("destination",[]).append(addList[n][0])
dict_route.setdefault("distance",[]).append(distance)
dict_route.setdefault("route",[]).append(road)
return dict_route
資料庫樣品:
sample_table
資料庫的內容我就用json表示了哈:
[
{
"address": "湖北省武漢市江岸區",
"ad_type": 1,
"coordinates": "114.278760,30.592688"
},
{
"address": "湖北省武漢市江漢區",
"ad_type": 1,
"coordinates": "114.270871,30.601430"
},
{
"address": "湖北省武漢市喬口區",
"ad_type": 1,
"coordinates": "114.214920,30.582202"
},
...共103條地點資料
sample_route,以sample_table前三個資料為例做出查詢,和返回。
[
{
"origin": "湖北省武漢市江岸區",
"destination": "湖北省武漢市江漢區",
"route": "['臺北一路', '新華路']",
"distance": "1520"
},
{
"origin": "湖北省武漢市江岸區",
"destination": "湖北省武漢市喬口區",
"route": "['臺北一路', '臺北路', '解放大道', '解放大道', '解放大道', '解放大道', '解放大道', '解放大道', '解放大道', '解放大道', '二環線輔路', '沿河大道']",
"distance": "9197"
},
{
"origin": "湖北省武漢市江漢區",
"destination": "湖北省武漢市喬口區",
"route": "['新華路', '建設大道', '建設大道', '建設大道', '建設大道', '沿河大道']",
"distance": "7428"
}
]
BUG:
問題:在process_data/excel2sql.py,呼叫格比public/config.py介面
問題:當我們訪問隔壁資料夾的介面時,如果發現呼叫不了,可以在當前檔案的頭部加入:
import sys,os
absPath = os.path.abspath(__file__) #返回程式碼段所在的位置,肯定是在某個.py檔案中
temPath = os.path.dirname(absPath) #往上返回一級目錄,得到檔案所在的路徑
temPath = os.path.dirname(temPath) #在往上返回一級,得到資料夾所在的路徑
sys.path.append(temPath)
將當前資料夾所在的路徑加入到python系統路徑中
本作品採用《CC 協議》,轉載必須註明作者和本文連結