用python抓取摩拜单车API数据并做可视化分析(源码)

警告：此篇文章仅作为学习研究参考用途，请不要用于非法目的。源代码请关注公众号并回复“摩拜”获取源代码

摩拜是最早进入成都的共享单车，每天我从地铁站下来的时候，在 APP 中能看到很多单车，但走到那里的时候，才发现车并不在那里。有些车不知道藏到了哪里；有些车或许是在高楼的后面，由于有 GPS 的误差而找不到了；有些车被放到了小区里面，一墙之隔让骑车人无法获得到车。

那么有没有一个办法通过获得这些单车的数据，来分析这些车是否变成了僵尸车？是否有人故意放到小区里面让人无法获取呢？

带着这些问题，我开始了研究如何获取这些数据。

如果你能够看到数据，那么我们总有办法自动化的获取到这些数据。只不过获取数据的方式方法决定了获取数据的效率，对于摩拜单车的数据分析这个任务而言，这个爬虫要能够在短时间内（通常是 10 分钟左右）获取到更多的数据，对于数据分析才有用处。那么数据来源于哪里？

最直接的来源是摩拜单车的 APP。现代的软件设计都讲究前后端分离，而且服务端会同时服务于 APP、网页等。在这种趋势下我们只需要搞清楚软件的 HTTP 请求就好了。一般而言有以下一些工具可以帮忙：

直接抓包：

用代理进行HTTP请求抓包及调试：

由于我的手机没有 root，在路由器上抓包又太多的干扰，对于 https 也不好弄。所以只能首先采用 Fiddler 或者 Charles 的方式试试。挂上 Fiddler 的代理，然后在手机端不停的移动位置，看有没有新的请求。但遗憾的是似乎请求都是去拿高德地图的，并没有和摩拜车相关的数据。

那怎么一回事？试试手机端的。换成 Packet Capture 后果然就有流量了，在请求中找到了我最关心的那个：

这个 API 请求一看就很显然了，在 postman 中试了一下能够正确的返回信息，看来就是你了！

连续爬了几天的数据，将数据进行一分析，发现摩拜单车的 GPS 似乎一直在跳动，有时候跳动会超过几公里的距离，显然不是一个正常的值。

难道是他们的接口做了手脚返回的是假数据？我观察到即便在 APP 中，单车返回的数据也有跳动。有某一天凌晨到第二天早上，我隔段时间刷新一下我家附近的车，看看是否真的如此。

图片我找不到了，但是观察后得出的结论是，APP 中返回的位置确实有问题。有一台车放在一个很偏僻的位置，一会儿就不见了，待会儿又回来了，和我抓下来的数据吻合。而且这个跳动和手机、手机号、甚至移动运营商没有关系，说明这个跳动是摩拜接口的问题，也可以从另一方面解释为什么有时候看到车但其实那里没有车。

这是之前发的一个朋友圈的视频截图，可以看到在营门口附近有一个尖，在那里其实车是停住的，但是 GPS 轨迹显示短时间内在附近攒动，甚至攒动到很远，又回到那个位置。

这样的数据对于数据分析来讲根本没法用，我差点就放弃了。

随着微信小程序的火爆，摩拜单车也在第一时间出了小程序。我一看就笑了，不错，又给我来了一个数据源，试试。用 Packet Capture 抓了一次数据后很容易确定 API。抓取后爬取了两三天的数据，发现出现了转机，数据符合正常的单车的轨迹。

剩下事情，就是提高爬虫的效率了。

有时候直接分析 APP 的源代码会很方便的找到 API 入口，将摩拜的 Android 端的 APP 进行反编译，但发现里面除了一些资源文件有用外，其他的文件都是用奇虎 360 的混淆器加壳的。网上有文章分析如何进行脱壳，但我没有太多时间去钻研，也就算了。

摩拜单车的API之所以很容易抓取和分析，很大程度上来讲是由于API设计的太简陋：

如果大家有兴趣，可以试着看一下小蓝单车APP的request，他们使用https请求，对数据的request进行了加密，要抓取到他们的数据难度会增加非常多。

当然了，如果摩拜单车官方并不care数据的事情的话，这样的API设计也是ok的。

声明：

此爬虫仅用于学习、研究用途，请不要用于非法用途。任何由此引发的法律纠纷自行负责。

目录结构 \analysis - jupyter做数据分析 \influx-importer - 导入到influxdb，但之前没怎么弄好 \modules - 代理模块 \web - 实时图形化显示模块，当时只是为了学一下react而已，效果请见这里 crawler.py - 爬虫核心代码 importToDb.py - 导入到postgres数据库中进行分析 sql.sql - 创建表的sql start.sh -　持续运行的脚本 思路

核心代码放在crawler.py中，数据首先存储在sqlite3数据库中，然后去重复后导出到csv文件中以节约空间。 摩拜单车的API返回的是一个正方形区域中的单车，我只要按照一块一块的区域移动就能抓取到整个大区域的数据。 left,top,right,bottom定义了抓取的范围，目前是成都市绕城高速之内以及南至南湖的正方形区域。offset定义了抓取的间隔，现在以0.002为基准，在DigitalOcean 5$的服务器上能够15分钟内抓取一次。

然后就启动了 250 个线程，至于你要问我为什么没有用协程，哼哼～～我当时没学～～～其实是可以的，说不定效率更高。 由于抓取后需要对数据进行去重，以便消除小正方形区域之间重复的部分，最后的 group_data 正是做这个事情。

最核心的API代码在这里。小程序的API接口，搞几个变量就可以了，十分简单。

最后你可能要问频繁的抓取IP没有被封么？其实摩拜单车是有IP的访问速度限制的，只不过破解之道非常简单，就是用大量的代理。 我是有一个代理池，每天基本上有8000以上的代理。在ProxyProvider中直接获取到这个代理池然后提供一个pick函数用于随机选取得分前50的代理。请注意，我的代理池是每小时更新的，但是代码中提供的jsonblob的代理列表仅仅是一个样例，过段时间后应该大部分都作废了。 在这里用到一个代理得分的机制。我并不是直接随机选择代理，而是将代理按照得分高低进行排序。每一次成功的请求将加分，而出错的请求将减分。这样一会儿就能选出速度、质量最佳的代理。如果有需要还可以存下来下次继续用。

在实际使用中，通过proxyProvider.pick()选择代理，然后使用。如果代理出现任何问题，则直接用proxy.fatal_error()降低评分，这样后续就不会选择到这个代理了。

抓取了摩拜单车的数据并进行了大数据分析。以下数据分析自 1 月 19 日整日的数据，范围成都绕城区域以及至华阳附近（天府新区）内。成都的摩拜单车的整体情况如下：

摩拜单车在成都大约已经有 6 万多辆车，两种类型的车分别占有率为 55% 和 44%，可见更为好骑的 Lite 版本的占有率在提高。（1 为标准车，2 为 Lite 车型）

数据分析显示，有三成的单车并没有任何移动，这说明这些单车有可能被放在不可获取或者偏僻地方。市民的素质还有待提高啊。

数据分析显示 3 公里以下的出行距离占据了 87.2%，这也十分符合共享单车的定位。100 米以下的距离也占据了大量的数据，但认为 100 米以下的数据为 GPS 的波动，所以予以排除。

出行距离分布

单车的使用频率越高共享的效果越好。从摩拜单车的数据看，在流动的单车中，5 次以下占据了 60% 左右的出行。但 1 次、2 次的也占据了 30% 左右的份额，说明摩拜单车的利用率也不是很高。

单车骑行次数

单车骑行次数

从摩拜单车的热图分布来看，成都已经逐步呈现“双核”发展的态势，城市的新中心天府新区正在聚集更多的人和机会。

双核发展

原来的老城区占有大量的单车，在老城区，热图显示在东城区占有更多的单车，可能和这里的商业（春熙路、太古里、万达）及人口密集的小区有直接的联系。

老城区

而在成都的南部天府新区越来越多也茁壮的发展起来，商业区域和住宅区域区分明显。在晚上，大量的单车聚集在华阳、世纪城、中和，而在上班时间，则大量聚集在软件园附近。

软件园夜间