其他

爬取北京摩拜单车信息（附分析过程和详细代码）

Posted by Yano on March 2, 2020

公众号

coding 笔记、点滴记录，以后的文章也会同步到公众号（Coding Insight）中，希望大家关注^_^

前言

最近腾讯提示我在腾讯云的文章有个评论，点开一看才想起来自己写过一篇爬虫的文章……

想到当时微信刚出小程序，能够直接使用Fiddler抓包，而我当时又天天使用摩拜的微信小程序，好奇摩拜有多少量。然后一个人慢慢探索爬取了北京摩拜单车信息。

现在下面代码现在已经不能使用了，摩拜已经进行了加密、API更改和反爬。不过现在回想起来印象最深的是当时写好程序后，去国家图书馆电影院看了《无问西东》，回来后发现家里断网，爬虫只爬了一半……

目的

统计北京摩拜单车的数量、分布、类型等信息。

先贴出结果：

分析过程

Fiddler 抓包

去年11月份可以在微信中抓取摩拜的小程序，但是现在不行了。当时微信小程序的API很简陋，利用代理可以直接抓取。但是现在试下挂上代理小程序都打不开了。

后来使用摩拜的APP抓取成功，附图。

获取附近单车信息的接口是：http://app.mobike.com/api/nearby/v3/nearbyBikeInfo

同时 response 是个 json，解析出来是这样的：

其中包括 bike 和 mpl 数组，bike 即为最终要获取的单车详细信息，结构如下：

而 mpl 应该是摩拜推出的新功能，表示「停车地点」，在这些地点停车有机会获得 NIKE 新春贺礼 85 折优惠券，结构如下：

经纬度查询

在 Fiddler 中抓取 request 发现纬度和经度分别为：39.977524，116.305863，通过经纬度查询的网站发现定位极其精准：

查询 response 中 mpl 信息的一个地址：39.975823, 116.305252

发现确实是地图上的位置：

Postman 验证

把请求参数放到 postman 中，发现能够直接给出结果：

通过调试发现 post 的几个重要参数作用如下：

  1. scope：爬取的范围，下面会分析；
  2. longitude：经度，可以精确到小数点后7位；
  3. latitude：纬度；
  4. bikenum：获取单车信息的最大数量，这个值设置大一点比较好，爬取更快；
  5. biketype：0应该是爬取所有类型。

经纬度与距离的换算

经纬度在不同地区，每度距离差是不同的，任意两点距离计算公式为

d＝111.12cos{1/[sinΦAsinΦB十cosΦAcosΦBcos(λB—λA)]}

其中A点经度,纬度分别为λA和ΦA,B点的经度、纬度分别为λB和ΦB,d为距离.

所以可知每度大概为111千米

比如北京 B = 40、cosB = 0.766,经度变化1度,则东西方向距离变化 85.567km。

确定爬取范围

决定爬取北京五环内的摩拜单车数量，确定经纬度：

北四环西北 39.9777778168,116.2875366211 北四环东南 39.8401771328,116.4787673950

确定步长、单次爬取单车数量

这两个参数是相互影响的，单次步长越小，结果越精确，但是爬取时间就会更长；增大步长，增加单次爬取单车数量可以缩短时间，但是单位面积的单车数量并不是无限增大的。通过测试发现 scope 参数也不是可以无限增大，貌似到500就无效了。

我确定这两个参数的方法：在地图上找2个点，固定经度调节纬度，看两者爬取的单车是否有重复。

测试了4个地点：

十字路口1： longitude=116.30581114680909&latitude=39.98106569393767

十字路口2： longitude=116.30613220306786&latitude=39.978998558907335

维亚大厦： longitude=116.30608720311963&latitude=39.97747017430741

苏州街十字路口： longitude=116.30627577120181&latitude=39.975675035347415

发现纬度差0.003时，两次爬取结果会有33辆单车的重叠（每个点大约有180辆单车的信息）。确定经纬度移动的步长是0.003，而单次爬取单车数量为500（99%的地点都到不了500个单车）。

header 参数

发现 header 有很多参数，甚至还有 time 和 utctime 两个时间参数。摩拜会存取每个时刻单车的静态信息吗？显然不会，这样的存储成本太高了，通过程序验证确实是这样。对于其它参数，也可以自行验证。

代码

主体代码很简洁，就是 post 发送请求，每次在地图上移动0.003的经度或纬度，直至遍历完地图上的正方形。

@Test
public void testGetMoBike() throws IOException {
    OkHttpClient client = new OkHttpClient();
    RequestBody body = RequestBody.create(GSON, "{}");

    double longitudeMin = 116.2875;
    double longitudeMax = 116.4787;
    double latitudeMin = 39.8402;
    double latitudeMax = 39.9778;

    double step = 0.003;

    for (double longitude = longitudeMin; longitude <= longitudeMax; longitude += step) {
        for (double latitude = latitudeMin; latitude <= latitudeMax; latitude += step) {

            // 获取对应经纬度的结果
            List<BikeDo> bikeDos = getBikeDos(client, body, longitude, latitude);

            // 将每辆单车信息都存入redis
            restoreBikeInfo(bikeDos);

            // 随机休眠，防止被封
            sleepRandomSeconds(2);

            System.out.println("经度：" + longitude + " 纬度：" + latitude + " 结束，爬取总个数：" + jedis.hlen(MAP_KEY));
        }
    }
}

使用 redis 的 map 存储结果并去重，并打印出每一步的信息。这样可以在断网等异常情况时，从异常处重新开始爬取。redis 在本机可以达到 10万次/s 的连接量，就没必要在 Java 中维护这些代码了。

其余代码如下（删除了个人相关的信息，所以代码不完整）：

private static Jedis jedis = RedisUtil.getJedis();
private static final String MAP_KEY = "mobike";
private static final Random RANDOM = new Random();

private void restoreBikeInfo(List<BikeDo> bikeDos) {
    for (BikeDo bikeDo : bikeDos) {
        // 将每一个 bike 存入 redis 中
        if (jedis.hexists(MAP_KEY, bikeDo.getDistId())) {
            continue;
        }
        jedis.hset(MAP_KEY, bikeDo.getDistId(), JSON.toJSONString(bikeDo));
    }
}

private void sleepRandomSeconds(int seconds) {
    try {
        Thread.sleep(RANDOM.nextInt(seconds) * 1000);
    } catch (InterruptedException e) {
        e.printStackTrace();
    }
}

private List<BikeDo> getBikeDos(OkHttpClient client, RequestBody body, double longitude, double latitude) throws IOException {
    Request request = createRequest(body, longitude, latitude);

    Response response = client.newCall(request).execute();
    String responseJson = response.body().string();
    JSONArray parse = (JSONArray) JSONObject.parseObject(responseJson).get("bike");
    return JSON.parseArray(parse.toJSONString(), BikeDo.class);
}

private Request createRequest(RequestBody body, double longitude, double latitude) {
    return new Request.Builder()
            .url("http://app.mobike.com/api/nearby/v3/nearbyBikeInfo?scope=700&sign=&client_id=android&biketype=0&longitude=" + longitude + "&latitude=" + latitude + "&userid=&bikenum=600")
            .post(body)
            .addHeader("version", "6.7.1")
            .addHeader("versioncode", "1649")
            .addHeader("platform", "1")
            .addHeader("mainsource", "4002")
            .addHeader("subsource", "3")
            .addHeader("os", "25")
            .addHeader("lang", "zh")
            .addHeader("time", DateTime.now().getMillis() + "")
            .addHeader("country", "0")
            .addHeader("eption", "685f8")
            .addHeader("deviceresolution", "1080X1920")
            .addHeader("utctime", DateTime.now().getMillis() / 1000 + "")
            .addHeader("mobileno", "")
            .addHeader("accesstoken", "")
            .addHeader("uuid", "")
            .addHeader("longitude", longitude + "")
            .addHeader("latitude", latitude + "")
            .addHeader("content-type", "application/x-www-form-urlencoded")
            .addHeader("content-length", "203")
            .addHeader("host", "app.mobike.com")
            .addHeader("accept-encoding", "gzip")
            .addHeader("user-agent", "okhttp/3.9.1")
            .addHeader("connection", "Keep-Alive")
            .addHeader("cache-control", "no-cache")
            .addHeader("postman-token", "fc17ae5a-32e9-d2bb-eb1f-43dd6760aea6")
            .build();
}

bike 类：

public class BikeDo {
    private String distId;
    private double distX;
    private double distY;
    private int distNum;
    private int distance;
    private int biketype;
    private int type;

结果

大概1个半小时，爬取到了345679个摩拜单车。

摩拜单车型号[1 x 248627, 2 x 96840, 3 x 2, 999 x 210]：

分布热力图

使用百度地图的API。

经纬度模糊

因为爬取到单车的地理位置太精确了，在地图上画热力分布精确到小数点后5位即可。所以需要统计在每个经纬度下的单车数量，并将点打印出符合百度地图API的格式（统计时将经纬度合并成一个String，否则复杂度太高）。

@Test
public void testMobikeHeat() {
	String REDIS_KEY = "mobike";
	Map<String, String> bikesMap = jedis.hgetAll(REDIS_KEY);
	Multiset<String> multiset = HashMultiset.create();
	for (String key : bikesMap.keySet()) {
		BikeDo bike = JSON.parseObject(bikesMap.get(key), BikeDo.class);
		String mixKey = String.format("%.6f", bike.getDistX()) + String.format("%.6f", bike.getDistY());
		multiset.add(mixKey);
	}
	
	File file = new File("mobike.txt");
	BufferedWriter out = null;
	try {
		out = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file, true)));
		for (String ele : multiset.elementSet()) {
			out.write("{\"lng\":"+ele.substring(0, 10)+",\"lat\":"+ele.substring(10)+",\"count\":"+multiset.count(ele)+"}," + "\r\n");
		}
		
	} catch (Exception e) {
		e.printStackTrace();
	} finally {
		try {
			out.close();
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
}

结果

结果如下，可以看出中间位置的故宫、五环西北角的圆明园、颐和园均没有单车，热力图大体是正确的。

影响精度的因素

  1. 五环位置不准确，爬取完才发现五环右边不是方形，爬取结果少了一块……
  2. 爬取过程中，正在被骑行的车没有统计到
  3. 在爬取过程中，车恰好从未爬取位置移动到了已爬取位置
  4. 报修的车无法统计
  5. 在爬取的过程中，断网了1个小时……时间间隔过长，精确度受影响
  6. 爬取是按照0.003*0.003的经纬度方形区域，没有精确计算是否能够覆盖所有区域，可能四个方形因为爬取单车数量的因素，导致区域之间有死角。

如何获取更精确的数据

  1. 多次爬取，去重，改变步长。这样可以爬取到因为骑行而未被爬取到的车。
  2. 多线程爬取，减少时间。

总结

爬取到北京五环内有345679辆单车（爬取区域少了一点），估计整个北京有45~50万单车吧。

公众号

coding 笔记、点滴记录，以后的文章也会同步到公众号（Coding Insight）中，希望大家关注^_^

CATALOG
    FEATURED TAGS
    随笔 读书 Java 思维导图系列 其他 观影 游戏 Spring Redis 源码剖析系列