2.5亿条深圳共享单车数据集获取完整教程【纯小白向】

上期深圳市共享单车数据分析【文末附共享单车数据集清单】简单分享了如何使用共享单车数据进行数据分析，有很多人问如何才能获取数据，以及没学过 Python，如何获取？

接下来我把代码分享出来，你拿着我的代码，修改一个变量，就可以获取相应日期的深圳共享单车数据了。

1.数据集介绍

• 数据集概览：该数据集名为“深圳共享单车企业每日订单表”，来源于深圳市政府数据开放平台。它包含从2017 年 4 月 3 日至2021 年 8 月 30 日的每日订单数据（具体数据包含的日期可以点我下载），截止发文约有2.446 亿条记录，总大小约24GB。（储存在 Mongodb 数据库大小为 24GB，实际储存为文件占用大小为 40GB 左右。）
• 获取子集： 获取整个数据集之后，我们可以进行日期查询，获取指定日期的数据。

2.获取方式

1）直接下载

如此大量的数据，直接下载的文件仅包含本数据集的前 10 万条数据，无法下载全部的数据，也无法选择指定日期的数据。

每条数据包含的字段：

2）调用 API 接口

深圳数据开放平台也提供调用数据接口的方式进行下载：

数据接口（APIs） 前文已经介绍过了，JavaScript和Python，都可用于调用 API。

每种方法都有其特定的使用场景和优势。选择哪种方法取决于你的项目需求、所用技术栈以及个人或团队的熟悉程度。

我们选用简洁性、受欢迎的 Python 来进行数据获取，使用的方法是requests库，或者可以使用http.client或第三方库如aiohttp（异步请求）。

👉 网站：https://opendata.sz.gov.cn/data/api/toApiDetails/29200_00403627）上提供了相应的【调用说明】：

登录网站，完成前两步：

根据提示填写相关信息，点击提交应用上传，提交成功后可在个人中心-我的应用-我的应用查看 appKey。

测试接口

！！！若有按时间获取数据的需求，可通过增加 startDate 和 endDate 参数对数据进行筛选。

所以我们只需用 Python 写一个requests请求，然后将数据储存到数据库。

如果你需要储存整个数据集（2.7 亿条共享单车订单数据），不建议将数据保存在单个 Json 或 csv 文件中，因为一个超过电脑内存的文件根本无法一次性读取到内存中，更没办法查询，所以有的人会按照日期分多个子集保存。但是，多个分散的文件不利于维护，也不利于查询，如果只想获取某个共享单车企业的某个时间跨度内的内容，使用数据库就很高效，所以强烈建议选择数据库。

3.配置数据库

数据库我们选择 MongoDB Community，访问Download MongoDB Community Server | MongoDB下载安装程序：

安装一直默认就行了，记得勾选安装Mongodb compass，是一款直观且用户友好的图形界面工具，用于管理和查询 MongoDB 数据库。

有任何安装问题访问：

在 Windows 上安装 > 在 macOS 上安装 > 其他平台

4.配置 python 环境

对于新手，千万不要使用 anaconda 管理环境，直接使用 python 安装包进行安装。

对于新手来说，直接使用 Python 官方安装包进行安装相较于使用 Anaconda 管理环境，有以下一些好处：

1. 简化学习过程：直接安装 Python 可以帮助新手集中学习 Python 语言本身，而不是花费时间去理解 Anaconda 这样的环境管理工具。这对于初学者来说更直接，更容易入门。
2. 了解基础：直接安装 Python 能让新手更好地理解 Python 环境的基本设置，例如如何配置环境变量，如何使用 pip 进行包管理等。这些是 Python 编程的基本技能。
3. 避免资源消耗：Anaconda 是一个较大的发行版，包含了许多不一定立即需要的预安装包。对于有限的系统资源或希望避免不必要的复杂性的新手，直接安装 Python 会更加轻量。
4. 控制安装包：直接使用 Python 和 pip，用户可以更灵活地控制所安装的包和版本。这对于学习如何管理 Python 依赖和理解不同库的兼容性很有帮助。
5. 减少依赖冲突：使用官方 Python 安装，可以减少由于复杂环境导致的依赖冲突问题。新手在学习初期可能不需要复杂的环境管理，因此直接安装 Python 可以降低这方面的问题。
6. 标准化学习材料：许多教程和学习材料都是基于 Python 官方安装来编写的，直接使用官方版本可以确保与这些教程的一致性。
7. 体验 Python 生态：通过直接安装 Python，新手可以更直接地体验和了解 Python 的生态系统，包括各种第三方库和工具。

当然，这并不是说 Anaconda 没有其优势，特别是在科学计算和数据分析领域，Anaconda 提供了许多便利。然而，对于刚开始学习 Python 的新手来说，直接从基础开始学习往往能提供更坚实的基础。随着学习的深入，用户可以根据需要选择更高级的工具和环境。

1）Windows 安装 Python

1. 下载 Python:
   • 访问 Python 官网。
   • 选择适合 Windows 的 Python 版本进行下载（通常会自动推荐最新版本）。
2. 安装 Python:
   • 打开下载的安装程序。
   • 重要：在安装过程开始时，确保选中“Add Python to PATH”选项，然后点击“Install Now”。
3. 验证安装:
   • 打开命令提示符（CMD）。
   • 输入 python --version 并按回车。如果安装成功，将显示 Python 的版本信息。

2）macOS 安装 Python

1. 下载 Python:
   • 访问 Python 官网。
   • 选择适合 macOS 的 Python 版本进行下载。
2. 安装 Python:
   • 打开下载的 .pkg 安装文件，然后遵循安装向导的指示完成安装。
3. 验证安装:
   • 打开终端（Terminal）。
   • 输入 python3 --version 并按回车。如果安装成功，将显示 Python 的版本信息。

5.安装依赖

pip 是 Python 的包管理工具，用于安装和管理 Python 包。以下是使用 pip 安装依赖的基本步骤：

1）确保安装了 pip

大多数现代 Python 安装都自带 pip。要检查 pip 是否已安装，可以在命令行或终端中运行以下命令：

pip --version

如果 pip 已安装，该命令将显示 pip 的版本信息。如果没有安装 pip，您需要先安装它。安装方法依赖于您的操作系统，通常在 Python 官网上有详细的安装指南。

2）使用 pip 安装包

要使用 pip 安装一个 Python 包，可以在命令行或终端中使用以下命令格式：

pip install <package_name>

本次环境需要使用以下命令：

pip install pandas requests pymongo -i https://pypi.tuna.tsinghua.edu.cn/simple

简要说明:

• pandas: 一个强大的数据分析和处理库。
• requests: 用于发送 HTTP 请求的库，非常适合与 API 交互。
• pymongo: 用于在 Python 中操作 MongoDB 数据库的库。
• -i https://pypi.tuna.tsinghua.edu.cn/simple 这部分指定了一个自定义的包索引源，即清华大学提供的 PyPI 镜像。这个镜像源在中国大陆访问速度更快，有助于解决由于网络问题导致的慢速或失败的包安装问题。

6.准备代码

我们新建一个文件夹，比如就叫shenzhen_data，然后新建一个文本文件，重命名为main.py，之后用记事本打开，复制以下代码：

"""
深圳共享单车数据研究——获取数据
数据名称：共享单车企业每日订单表
更新日期：2021-12-09    上架日期：2021-12-09
更新频率：不定期
数据量：244,638,540条
数据容量：1,957,108,320
浏览量：22,913次
调用量：18,669,737次
下载量：3,037次
开放方式：实名认证
开放数源单位：深圳市交通运输局
数据简介：共享单车企业每日订单表
"""
import os
import time
from datetime import datetime, timedelta, timezone

import pandas as pd
import requests
from pymongo import MongoClient
from pymongo.errors import ConnectionFailure


def translate_time_to_utc(data, time_format):
    """
    将时间字符串转换为 UTC datetime 对象。
    """
    tz_beijing = timezone(timedelta(hours=8))  # 定义北京时区
    for record in data:
        for time_key in ['开始时间', '结束时间']:
            if time_key in record:
                try:
                    # 先将字符串转换为北京时间的 datetime 对象
                    local_time = datetime.strptime(record[time_key], time_format)
                    # 添加时区信息
                    local_time = local_time.replace(tzinfo=tz_beijing)
                    # 转换为 UTC 时间
                    record[time_key] = local_time.astimezone(timezone.utc)
                except ValueError:
                    local_time = datetime.strptime(record[time_key].split('.')[0], time_format)
                    local_time = local_time.replace(tzinfo=tz_beijing)
                    record[time_key] = local_time.astimezone(timezone.utc)
    return data


def process_data(response):
    """
    从响应中处理并返回数据的主程序
    返回的数据中，时间字符串已经转换为 UTC datetime 对象。
    """
    data = response.json()['data']
    return translate_time_to_utc(data, "%Y-%m-%d %H:%M:%S")

def test_mongodb_connection(mongo_url):
    """
    测试本地MongoDB的连接。
    """
    try:
        # 创建MongoDB客户端
        client = MongoClient(mongo_url)

        # 尝试获取MongoDB的服务器状态
        client.admin.command('ismaster')

        print("MongoDB连接成功")

        return client
    except ConnectionFailure:
        print("MongoDB连接失败")
        return None

# 主函数
if __name__ == "__main__":
    # 环境变量和初始化
    app_key =  "4137xxxxxxxxxxxxxxxx68d0d5" # 填写从深圳开放数据平台申请的app_key
    mongo_url = "mongodb://localhost:27017/" # 本地mongodb路径
    page_num = 1
    rows = 4000
    url = 'https://opendata.sz.gov.cn/api/29200_00403627/1/service.xhtml'
    # 请求头 不加请求会被拒绝
    headers = {
        'Accept': 'text/plain, */*; q=0.01',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Connection': 'keep-alive',
        'DNT': '1',
        'Host': 'opendata.sz.gov.cn',
        'Sec-Fetch-Dest': 'empty',
        'Sec-Fetch-Mode': 'cors',
        'Sec-Fetch-Site': 'same-origin',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36',
        'X-Requested-With': 'XMLHttpRequest',
        'sec-ch-ua': '"Google Chrome";v="119", "Chromium";v="119", "Not?A_Brand";v="24"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': '"macOS"'
    }


    # MongoDB 连接
    client = test_mongodb_connection(mongo_url)
    db = client['交通类大数据']
    collection = db['深圳共享单车企业每日订单表']

    # 数据请求和处理循环
    while True:
        retry = 0
        params = {'appKey': app_key, 'page': page_num, 'rows': rows}
        response = requests.get(url, headers=headers, params=params)

        if response.status_code == 200:
            items = process_data(response)
            if items:
                # 插入数据到数据库
                print(f"正在写入第{page_num}页数据")
                collection.insert_many(items) # 注意时间是UTC时间

            else:
                print("数据处理出错")
        else:
            print(f"请求错误，状态码：{response.status_code}")
            if retry < 5:
                retry += 1
                time.sleep(20)
            else:
                print("重试次数过多，终止操作")
                break

        # 判断是否继续
        if len(items) < rows:
            break
        else:
            page_num += 1

修改此处并保存：

app_key =  "4137xxxxxxxxxxxxxxxx68d0d5" # <<<<<<<< 填写从深圳开放数据平台申请的app_key

7.运行

打开终端（命令提示符），定位到代码所在文件夹：

cd /path/to/shenzhen_data

运行 Python：

python main.py

查看输出，如下图所示则成功运行

8.查看数据

打开 Mongodb compass，点击 connect，连接到本地数据库：

如上图显示有订单表则成功了，可以刷新显示 Documents（数据量）一直在增长，获取点击《深圳共享单车企业每日订单表》查看数据详情：

9.读取某一天的数据

import pandas as pd
from datetime import datetime, timedelta, timezone
from pymongo import MongoClient

# MongoDB 连接
mongo_url = "mongodb://localhost:27017/"
client = MongoClient(mongo_url)
db = client['交通类大数据']
collection = db['深圳共享单车企业每日订单表']

# 将查询时间调整为 UTC 时间 提高查询效率
# 获取2021年8月5日的数据
query = {
    'START_TIME': {
        '$gte': datetime(2021, 8, 4, 16, 0, 0),  # 对应北京时间 2021年8月5日 0:00
        '$lt': datetime(2021, 8, 5, 16, 0, 0)    # 对应北京时间 2021年8月6日 0:00
    }
}

cursor = collection.find(query)
df = pd.DataFrame(list(cursor))
df.head()

10.常见问题

（1）数据字段相关：

1. 本数据集内使用的坐标系应该为 WGS1984！
虽然官方标注的数据集为 bd09 坐标系，但是实测发现是 WGS1984 坐标系。目前只验证了 2021 年 8 月 5 号和 2021 年 4 月 14 日的数据，均为 WGS1984 坐标系。
2. 储存到数据库的时间是 UTC 时间，需要转换为北京时间！
3.并不是所有数据都有企业 id 字段。

（2）Python 学习相关

• 非编程专业如何快速入门 Python 数据分析与可视化

（3）empty dataframe 或者其他无法通过日期查询到数据的情况

如果用以下 python 代码无法查询到数据：

query = {
    'START_TIME': {
        '$gte': datetime(2021, 8, 4, 16, 0, 0),  # 对应北京时间 2021年8月5日 0:00
        '$lt': datetime(2021, 8, 5, 16, 0, 0)    # 对应北京时间 2021年8月6日 0:00
    }
}
cursor = collection.find(query)
df = pd.DataFrame(list(cursor))
df.head()

则需要检查数据库中的日期字段类型是 date 还是 str 字符串，以上代码是将日期定义为间类型来进行查询的而不是字符串，

（4）用浏览器直接访问链接出错，但是使用 python 调用接口则有数据。

这是正常“现象”。

这通常是因为浏览器预期得到的响应格式与实际返回的格式不匹配。这里提到的错误 “Start tag expected, ‘<’ not found” 指出浏览器正在尝试解析返回的数据作为 XML，但是它并没有找到期望的开始标签 ‘<’。

简单来说就是返回的是数据而不是 html 文件，浏览器无法渲染输出。按 f12 打开开发者菜单，找到如图所示的响应页面，可以查看链接返回的数据。

文章写得比较匆忙，此文章后续会在我的博客更新，可以点击阅读原文访问。

如果你对本文章有什么意见、对如何制作文中的图表感兴趣、或者有其它任何问题建议在本文的博客评论区留言，说不定你的问题别人也遇到了。