本教程详细讲解如何利用Python通过外部API计算地理位置间的驾驶距离，并重点介绍如何实现API请求的限流以遵守服务条款。文章涵盖了API调用函数的构建、基于上下文管理器的智能限流机制、鲁棒的错误处理方法，以及最终将所有数据（包括原始坐标和计算出的距离）整合到Pandas DataFrame中的完整流程，旨在帮助读者高效、稳定地处理大规模地理空间数据请求。
1. 构建地理距离计算API函数
在处理地理空间数据时，我们经常需要计算两点间的实际驾驶距离。这通常通过调用第三方地图服务的api来实现。以下是一个使用osrm（open source routing machine）公共api计算驾驶距离的python函数示例。osrm提供了一个开放且高性能的路由服务，非常适合此类任务。
import requestsimport jsonimport pandas as pdfrom contextlib import contextmanagerfrom time import sleepimport http.client # For HTTPStatusdef get_driving_distance(lat1, lon1, lat2, lon2): """ 通过OSRM API计算两点间的驾驶距离。 参数: lat1 (float): 起点纬度 lon1 (float): 起点经度 lat2 (float): 终点纬度 lon2 (float): 终点经度 返回: float: 驾驶距离（英里），如果请求失败则返回None """ try: # OSRM API的URL结构：/route/v1/car/{lon1},{lat1};{lon2},{lat2} url = f"http://router.project-osrm.org/route/v1/car/{lon1},{lat1};{lon2},{lat2}?overview=false" response = requests.get(url) # 检查HTTP响应状态码，如果不是2xx则抛出异常 response.raise_for_status() data = json.loads(response.content) # 检查API响应中是否有路由信息 if data.get("routes") and len(data["routes"]) > 0: driving_distance_meters = data["routes"][0]['distance'] # 将米转换为英里 (1 英里 = 1609.34 米) driving_distance_miles = driving_distance_meters / 1609.34 return driving_distance_miles else: print(f"API响应未包含有效路由信息: {data}") return None except requests.exceptions.RequestException as e: print(f"API请求失败: {e}") return None except json.JSONDecodeError as e: print(f"JSON解析失败: {e}") return None except KeyError as e: print(f"API响应结构异常，缺少键: {e}") return None
注意事项：
坐标顺序： OSRM API通常要求经度在前，纬度在后（lon,lat）。请务必核对您的数据顺序。overview=false： 这个参数可以减少API响应中路由几何信息的详细程度，从而减小响应体大小，提高效率。错误处理： response.raise_for_status() 是一个非常重要的错误处理机制。如果HTTP请求返回的状态码表示错误（例如4xx或5xx），它会自动抛出 requests.exceptions.HTTPError 异常，避免程序在处理无效响应时崩溃。
2. 实现API请求限流机制
当需要进行大量API调用时，为了避免对API服务器造成过大压力或触及API服务提供商的调用限制，实现请求限流（Rate Limiting）至关重要。我们可以利用Python的上下文管理器（contextlib.contextmanager）来优雅地实现这一功能。
# 定义一个全局变量来跟踪API调用次数api_calls = 0@contextmanagerdef rate_limited(limit=500, delay=5): """ 一个上下文管理器，用于限制API调用频率。 当API调用次数达到指定限制时，暂停指定时间。 参数: limit (int): 在暂停前允许的最大API调用次数。 delay (int): 暂停的秒数。 """ global api_calls # 检查是否即将超过限制 if api_calls + 1 >= limit: print(f"达到 {limit} 次API调用限制，暂停 {delay} 秒...") sleep(delay) # 暂停后，重置计数器（或减去已处理的批次） api_calls = 0 # 简单重置，也可以 api_calls -= limit api_calls += 1 yield # 执行被包装的代码 # 上下文退出时，无需额外操作# 更新 get_driving_distance 函数以集成限流def get_driving_distance_with_rate_limit(lat1, lon1, lat2, lon2): """ 通过OSRM API计算两点间的驾驶距离，并集成请求限流。 """ with rate_limited(): # 在这里应用限流 return get_driving_distance(lat1, lon1, lat2, lon2)
工作原理：
api_calls：一个全局计数器，记录当前批次的API调用次数。rate_limited 上下文管理器：在进入 with 块之前，它会检查 api_calls 是否接近 limit。如果接近，则调用 time.sleep(delay) 暂停执行。暂停后，api_calls 被重置（或相应调整），以便新的批次可以开始计数。api_calls 每次进入 with 块时都会递增。yield 关键字使得被包装的代码（即 get_driving_distance 的内容）得以执行。通过将 get_driving_distance 函数包裹在 with rate_limited(): 语句中，每次调用该函数时都会自动触发限流逻辑。
3. 数据整合至Pandas DataFrame
最终目标是将原始的地理坐标数据与计算出的驾驶距离整合到一个结构化的Pandas DataFrame中，方便后续的数据分析和可视化。
立即学习“Python免费学习笔记（深入）”；
假设我们有四组列表数据：起点纬度、起点经度、终点纬度、终点经度。
# 示例数据location_latitudes = [51.5074, 40.7128, 34.0522]location_longitudes = [-0.1278, -74.0060, -118.2437]station_latitudes = [51.5154, 40.7580, 34.0522]station_longitudes = [-0.0920, -73.9855, -118.2437]# 存储计算出的距离driving_distances = []# 遍历数据并计算距离for i in range(len(location_latitudes)): lat1 = location_latitudes[i] lon1 = location_longitudes[i] lat2 = station_latitudes[i] lon2 = station_longitudes[i] distance = get_driving_distance_with_rate_limit(lat1, lon1, lat2, lon2) driving_distances.append(distance) # 打印进度（可选） print(f"处理第 {i+1} 对坐标: ({lat1},{lon1}) -> ({lat2},{lon2}), 距离: {distance:.2f} 英里")# 创建DataFramedata = { 'Location_Lat': location_latitudes, 'Location_Lon': location_longitudes, 'Station_Lat': station_latitudes, 'Station_Lon': station_longitudes, 'Driving_Distance_Miles': driving_distances}df = pd.DataFrame(data)print("n最终生成的DataFrame:")print(df)
代码说明：
准备数据： 示例中创建了四个列表，分别代表起点和终点的经纬度。在实际应用中，这些数据可能来自CSV文件、数据库或其它数据源。迭代计算： 通过循环遍历这些列表，对每一对坐标调用 get_driving_distance_with_rate_limit 函数，并将返回的距离存储在 driving_distances 列表中。构建DataFrame： 使用一个字典来组织所有相关数据（原始坐标和计算出的距离），然后将其传递给 pd.DataFrame() 构造函数，即可生成一个结构化的DataFrame。
4. 总结与最佳实践
本教程展示了如何结合Python的 requests 库、上下文管理器以及Pandas库，高效且稳定地处理地理距离计算任务。以下是一些额外的最佳实践和考虑事项：
更健壮的错误处理： 对于生产环境应用，除了 raise_for_status() 外，还可以考虑实现重试机制（例如使用 tenacity 库），尤其是在面对临时性网络问题或API服务波动时。持久化数据： 对于大量API调用，建议将中间结果定期保存到文件（如CSV、JSON），以防程序中断或网络问题导致数据丢失，避免重复昂贵的API请求。API密钥管理： 如果您使用的是需要API密钥的商业地图服务（如Google Maps API），请务必妥善管理您的密钥，不要将其硬编码在代码中。可以使用环境变量或配置文件来存储。异步请求： 对于极其庞大的数据集，可以考虑使用异步请求库（如 aiohttp）来并发地发送API请求，进一步提高效率，但这会增加代码的复杂性。遵守API服务条款： 始终阅读并遵守您所使用的API服务提供商的条款和条件，包括请求限制、使用范围等。不当使用可能导致IP被封禁或账户被禁用。选择合适的API： OSRM是一个优秀的开源选择，但对于需要更高级功能（如交通信息、路线优化、地理编码等）或更高请求限制的场景，可能需要考虑商业API服务。
通过遵循这些指导原则，您可以构建出稳定、高效且符合规范的地理空间数据处理应用程序。
以上就是Python中通过API获取地理距离：请求限流与数据整合实践的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1366980.html
微信扫一扫 
支付宝扫一扫 
