教你如何从Google Map爬数据

            在这篇博文中，笔者从实验的角度，从爬数据的困难出发，阐述如何从Google Map上爬地图数据。本文的出发点为实验，而非商用。Google Map对其自己的数据具有其权益，希望读者以博文为学习实验之用，不要将自己所爬到的数据用于商用。如果因为此类事件所引起的纠纷，笔者概不负责。笔者也希望，大家在看到此博文后，能够进一步改进其数据的安全性。

            笔者在实验室某个GIS项目中必须需要一定数据级的地图数据。在百般无奈下，笔者开始从Google Map爬数据。从Google Map上采集一定量的数据有作实验。

从Google Map爬数据的原理

           Google Map所采用的是Mercator坐标系。何为Mercator坐标系？读者可以详见{链接}。在Google Map也是以金字塔模型的方式来组织切图文件的。至于，它的后端处理或者存储方式或者文件命名方式是怎么样，笔者不得而知。笔者只能从URL等方面进行分析，大概确定其地图文件的组织方式。在金字塔模型中，地图分成若干层，每一层数据的分辨率为上层的4倍（横向与纵向各2倍）。同时，每一层数据的分辨是极其巨大，而且成指数形式增加。如果一下子，将一层的数据作为一个文件返回给用户，无论从网络的传输能力、CPU处理能力还是内存的存储能力而言都是无法做到的。而且用户所观看的只是地图的某一层的某一块区域。因而，一般都会将地图数据进行切图，即进行切分，将地图数据切成分辨率相等的若干块。因而，我们可以得知，每一层数据集的文件数为上层的4倍。

           笔者使用GoogleChrome来查看Google Map的Resources，图如下:

                  

           我们可以清楚地看到，在Google Map的地图文件并不是一次加载一整张，而是分成若干块，每一块的分辨为256*256。同时，我们也得到了每一块地图的地址，例如http://mt0.google.com/lyrs=m@176000000&hl=zh-CN&src=app&x=1&y=1&z=1&s=Ga.png。其中x、y是决定文件左上角坐标的参数，z为决定文件层次的参数。通过向Google Map服务器请求，我们可以得到第0层具有1块。从而第level层，具有2^level*2^level块，即x、y的取值范围为[0,2^level-1]。第level层每一块数据的横向经度差为360/2^level，纵向纬度差为180/2^level。

x=0&y=0&z=0

x=0&y=0&z=1

x=1&y=0&z=1x=0&y=1&z=1x=1&y=1&z=1

           我们可以得知，x=xx，y=yy，z=zz的这块数据，所在的图层为zz层，该图层中每块数据的经度差为360/2^zz，纬度差为180/2^zz，左上角的经纬度为(360/2^zz*xx-180, 180/2^zz*yy-90)。同样，我们也可从一个数据块的左上角经纬度反推出这个文件在zz层的x与y。这也就是我们从Google Map爬数据的原理。

 

从Google Map爬数据有何难点？

1.    在国内由于政治等原因，连接Google服务器会有所中断。

2.    Google的Web服务器，或者Google防火墙，会对某一台客户端的请求进行统计。如果一段时间内，请求数超过一定的值，此后的请求会直接被忽略。据说，当一天中，来自某一个IP的请求数超过7000个时，此后的请求后直接被忽略。

3.    单线程操作的效率太低，多线程情况下，效率会有很大提升。

4.    Google服务器会对每个请求检查，判断是否来自浏览器还是来自爬虫。

5.    对于已下载的文件无须下载，即爬虫必须拥有“断点续传”的功能。不能由于网络的中断或者人为的中断，而导致之前的进度丢失。

对于这些难点有何解决方案

1.    对于第1点难点，我们可以使用国外的服务器作为我们的代理。这样，我们通过国外的服务器来请求Google Map。而对于大名鼎鼎的GFW而言，我们连接的并不是Google的服务器，而是其它的服务器。只要那台服务器没有被墙，我们就可以一直下载。

2.    对于第2个难点，我们依然可以使用代理。一旦，下载失败，这个代理ip可能已经被Google Map所阻拦，我们就需要更换代理。如果，代理的连接速度较慢，或者代理的下载文件时，超时较多，可能我们目前所使用的代理与我们的机器之间的网络连接状态不佳，或者代理服务负载较重。我们也需要更换代理。

3.    单线程操作的效率太低，我们需要使用多线程。但是，在使用多线程时，由于每一个文件的大小都很小，因而我们设计多线程机制时，每一个线程可以负责下载若干个文件。而不同的线程所下载的文件之间，没有交集。

4.    对于第4点，我们可以在建立http连接时，设置”User-Angent”，例如：

httpConnection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");

5.    对于第5点，我们可以在每下一个文件之间，事先判断文件是否已经完成。这有很多种解决方法，笔者在这里，采用file.exists()来进行判断。因为，对于下载一个文件而言，检查文件系统上某一个文件的代价会小很多。

改进与具体实现

1.    代理的获取

            代理的获取有很多种方式。但如果一开始就配置所有的代理，那么，当这些代理都已经无法使用时，系统也将无法运行下去。当然，我们也不想那么麻烦地不断去更换代理。笔者是一个lazy man，所以还是由计算机自己来更换代理吧。笔者在此使用www.18daili.com。www.18daili.com会将其收集到代理已web的形式发布出来。因而，我们可以下载这张网页，对进行解析，便可以得最新可用的代理了。笔者在这里使用Dom4J来进行网页的解析。

2.    架构

            其中，分成三个模块:Downloader, DownloadThread, ProxyConfig。Downloader负责初化化线程池以存放DownloaderThread。每一个DownloadThread都会负责相应的若干个切图数据的下载。DownloadThread从ProxyConfig那里去获取代理，并从文件系统中检查某一个文件是否已经下载完成，并将下载完成文件按一定的规则存储到文件系统中去。ProxyConfig会从www.18daili.com更新现有的代理，在笔者的系统，每取1024次代理，ProxyCofig就会更新一次。

原码

Downloader:

package ??;import java.util.concurrent.ExecutorService;import java.util.concurrent.Executors;public class Downloader {private static int minLevel = 0;private static int maxLevel = 10;private static String dir = "D:\\data\\google_v\\";private static int maxRunningCount = 16;private static int maxRequestLength = 100;public static void download() {ExecutorService pool = Executors.newFixedThreadPool(maxRunningCount);for (int z = minLevel; z <= maxLevel; z++) {int curDt = 0;int requests[][] = null;int maxD = (int) (Math.pow(2, z));for (int x = 0; x < maxD; x++) {for (int y = 0; y < maxD; y++) {if (curDt % maxRequestLength == 0) {String threadName = "dt_" + z + "_" + curDt;DownloadThread dt = new DownloadThread(threadName, dir, requests);pool.execute(dt);curDt = 0;requests = new int[maxRequestLength][3];}requests[curDt][0] = y;requests[curDt][1] = x;requests[curDt][2] = z;curDt++;}}DownloadThread dt = new DownloadThread("", dir, requests);pool.execute(dt);}pool.shutdown();}public static void main(String[] strs) {download();}}

DownloadThread:

package ??;import java.io.BufferedInputStream;import java.io.File;import java.io.FileInputStream;import java.io.FileOutputStream;import java.io.InputStream;import java.net.HttpURLConnection;import java.net.Proxy;import java.net.URL;import java.text.SimpleDateFormat;import java.util.Date;public class DownloadThread extends Thread {private static int BUFFER_SIZE = 1024 * 8;// 缓冲区大小private static int MAX_TRY_DOWNLOAD_TIME = 128;private static int CURRENT_PROXY = 0;private String threadName = "";private String dir;// private int level;private String tmpDir;private Proxy proxy;private int[][] requests;private String ext = ".png";private static SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");public DownloadThread(String threadName, String dir, int[][] requests) {this.threadName = threadName;this.dir = dir;this.requests = requests;}@Overridepublic void run() {Date now = new Date();System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t开始运行");long t1 = System.currentTimeMillis();long totalLength = download();long t2 = System.currentTimeMillis();double speed = (double) totalLength / (t2 - t1);now = new Date();if (speed < 0.5) {CURRENT_PROXY++;}System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t完成运行\t" + speed + "kB/s");}public long download() {long totalLength = 0;if (requests == null) {return 0;}//System.out.println(requests.length);for (int i = 0; i < requests.length; i++) {int yy = requests[i][0];int xx = requests[i][1];int zz = requests[i][2];int yyg = (int) (Math.pow(2, zz) - 1 - requests[i][0]);this.tmpDir = dir + "/tmp/" + zz + "/";File tmpDirFile = new File(tmpDir);if (tmpDirFile.exists() == false) {tmpDirFile.mkdirs();}String dirStr = dir + "/download/" + zz + "/" + yy + "/";File fileDir = new File(dirStr);if (fileDir.exists() == false) {fileDir.mkdirs();}String fileStr = dirStr + yy + "_" + xx + ext;File file = new File(fileStr);// double lat1 = (yy) * dDegree - 90;// double lat2 = (yy + 1) * dDegree - 90;String url = "http://mt0.google.com/vt/lyrs=m@174000000&hl=zh-CN&src=app&x=" + xx + "&y=" + yyg + "&z=" + zz+ "&s=";// System.out.println(url);if (file.exists() == false) {String tmpFileStr = tmpDir + yy + "_" + xx + ext;boolean r = saveToFile(url, tmpFileStr);if (r == true) {totalLength += cut(tmpFileStr, fileStr);Date now = new Date();System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "\t"+proxy+"\t完成！");} else {Date now = new Date();System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "\t"+proxy+"\t失败！");}} else {Date now = new Date();System.out.println(dateFormat.format(now) + "\t" + threadName + ":\t" + zz + "\\" + yy + "_" + xx + ext + "已经下载！");}}return totalLength;}public static long cut(String srcFileStr, String descFileStr) {try {// int bytesum = 0;int byteread = 0;File srcFile = new File(srcFileStr);File descFile = new File(descFileStr);if (srcFile.exists()) { // 文件存在时InputStream is = new FileInputStream(srcFileStr); // 读入原文件FileOutputStream os = new FileOutputStream(descFileStr);byte[] buffer = new byte[1024 * 32];// int length;while ((byteread = is.read(buffer)) != -1) {// bytesum += byteread; //字节数 文件大小// System.out.println(bytesum);os.write(buffer, 0, byteread);}is.close();os.close();}srcFile.delete();return descFile.length();} catch (Exception e) {System.out.println("复制单个文件操作出错");e.printStackTrace();}return 0;}public boolean saveToFile(String destUrl, String fileName) {int currentTime = 0;while (currentTime < MAX_TRY_DOWNLOAD_TIME) {try {FileOutputStream fos = null;BufferedInputStream bis = null;HttpURLConnection httpConnection = null;URL url = null;byte[] buf = new byte[BUFFER_SIZE];int size = 0;// 建立链接url = new URL(destUrl);// url.openConnection(arg0)currentTime++;proxy = ProxyConfig.getProxy(CURRENT_PROXY);//if (proxy != null) {//System.out.println(threadName + ":\t切换代理\t" + proxy.address().toString());//} else {//System.out.println(threadName + ":\t使用本机IP");//}if (proxy == null) {httpConnection = (HttpURLConnection) url.openConnection();} else {httpConnection = (HttpURLConnection) url.openConnection(proxy);}httpConnection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)"); httpConnection.setConnectTimeout(60000);httpConnection.setReadTimeout(60000);// 连接指定的资源httpConnection.connect();// 获取网络输入流bis = new BufferedInputStream(httpConnection.getInputStream());// 建立文件fos = new FileOutputStream(fileName);// System.out.println("正在获取链接[" + destUrl + "]的内容;将其保存为文件[" +// fileName + "]");// 保存文件while ((size = bis.read(buf)) != -1){//System.out.println(size);fos.write(buf, 0, size);}fos.close();bis.close();httpConnection.disconnect();// currentTime = MAX_TRY_DOWNLOAD_TIME;break;} catch (Exception e) {//e.printStackTrace();CURRENT_PROXY++;}}if (currentTime < MAX_TRY_DOWNLOAD_TIME) {return true;} else {return false;}}}

ProxyConfig:

package org.gfg.downloader.google.vctor;import java.net.InetSocketAddress;import java.net.Proxy;import java.net.Proxy.Type;import java.net.URL;import java.net.URLConnection;import java.util.ArrayList;import java.util.Iterator;import java.util.List;import org.dom4j.Document;import org.dom4j.Element;import org.dom4j.io.SAXReader;public class ProxyConfig {private static List<Proxy> proxies;private static int getTime = 0;@SuppressWarnings("unchecked")public static void inital() {// if (proxies == null) {proxies = null;proxies = new ArrayList<Proxy>();// } else {// proxies.clear();// }try {URL url = new URL("http://www.18daili.com/");URLConnection urlConnection = url.openConnection();urlConnection.setConnectTimeout(30000);urlConnection.setReadTimeout(30000);SAXReader reader = new SAXReader();// System.out.println(url);reader.setFeature("http://apache.org/xml/features/nonvalidating/load-external-dtd", false);Document doc = reader.read(urlConnection.getInputStream());if (doc != null) {Element root = doc.getRootElement();Element proxyListTable = getElementById(root, "proxyListTable");// System.out.println(proxyListTable.asXML());Iterator<Element> trs = proxyListTable.elementIterator();trs.next();while (trs.hasNext()) {Element tr = trs.next();Iterator<Element> tds = tr.elementIterator();String ip = tds.next().getText();String port = tds.next().getText();// System.out.println(ip+":"+port);Proxy proxy = new Proxy(Type.HTTP, new InetSocketAddress(ip, Integer.valueOf(port)));proxies.add(proxy);System.out.println("添加代理\t" + proxy);}}} catch (Exception e) {// e.printStackTrace();}}private static Element getElementById(Element element, String id) {Element needElement = null;Iterator<Element> subElements = element.elementIterator();while (subElements.hasNext()) {Element subElement = subElements.next();String getId = subElement.attributeValue("id");if (getId != null && getId.equals(id)) {needElement = subElement;break;} else {needElement = getElementById(subElement, id);if (needElement != null) {break;}}}return needElement;}synchronized public static Proxy getProxy(int i) {getTime++;if (getTime % 1024 == 0 || proxies == null) {inital();getTime = 0;System.out.println("重新生成代理列表!");System.out.println("当前共有" + proxies.size() + "个代理!");}if (i % 8 == 0) {return null;}int index = i % proxies.size();index = Math.abs(index);return proxies.get(index);}public static void main(String... str) {inital();}}

发布与运行效果

本博客中所有的博文都为笔者（Jairus Chan）原创。

如需转载，请标明出处：http://blog.csdn.net/JairusChan。

如果您对本文有任何的意见与建议，请联系笔者（JairusChan）。