深入解析GPS接收机的位置数据文件:项目实战从数据解析到可视化

本文涉及的产品
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
全局流量管理 GTM,标准版 1个月
云解析 DNS,旗舰版 1个月
简介: 全球定位系统(GPS)是现代技术的支柱之一,广泛应用于交通导航、科学研究、智能设备等领域。GPS接收机通过接收来自卫星的信号,确定设备的地理位置,并将这些位置信息记录在数据文件中。这些数据文件通常包含大量的信息,如时间、位置、海拔高度、卫星状态等。本篇文章将通过解析这些数据文件,展示如何利用Python和Folium库实现数据的读取、处理和可视化,帮助读者深入理解GPS数据的处理过程。

一、引言

全球定位系统(GPS)是现代技术的支柱之一,广泛应用于交通导航、科学研究、智能设备等领域。GPS接收机通过接收来自卫星的信号,确定设备的地理位置,并将这些位置信息记录在数据文件中。


这些数据文件通常包含大量的信息,如时间、位置、海拔高度、卫星状态等。本篇文章将通过解析这些数据文件,展示如何利用Python和Folium库实现数据的读取、处理和可视化,帮助读者深入理解GPS数据的处理过程。

二、GPS数据概述

2.1 GPS工作原理

GPS通过接收至少四颗卫星的信号来确定设备的位置。这些信号包含了卫星的时间和位置数据,接收机通过三角测量法计算出用户的经度、纬度和海拔高度。这些计算结果通常被记录在NMEA(National Marine Electronics Association)格式的数据文件中。

2.2 NMEA 0183协议简介

NMEA 0183是一种标准的GPS数据通信协议,用于描述从GPS接收机发送到其他设备的信号。NMEA语句以"$"开头,常见的语句类型包括GPGGA、GPRMC等。本文重点关注的GPGGA语句包含了最重要的定位信息,如经纬度、海拔高度、卫星状态等。

三、GPGGA语句解析

3.1 GPGGA语句结构详解

GPGGA语句是GPS接收机输出的关键数据类型之一,提供了精确的位置和状态信息。典型的GPGGA语句结构如下:

$GPGGA,123519,4807.038,N,01131.000,E,1,08,0.9,545.4,M,46.9,M,,*47

这条语句由多个字段组成,分别表示:

  • UTC时间:123519 表示12:35:19
  • 纬度:4807.038,N 表示48度07.038分北纬
  • 经度:01131.000,E 表示11度31.000分东经
  • 定位质量:1 表示GPS定位已有效
  • 使用的卫星数量:08 表示共使用了8颗卫星
  • 水平精度因子(HDOP):0.9
  • 海拔高度:545.4 表示海拔高度为545.4米
  • 地球椭球面相对于海平面的高度:46.9米
  • 校验和:*47 用于验证语句的完整性

3.2 解析GPGGA语句的代码实现

解析GPGGA语句的关键在于将语句分解为各个字段,并将这些字段转换为易于处理的格式。以下Python代码展示了如何实现这一过程:

import re
def parse_gpgga(sentence):
    fields = sentence.split(',')
    if len(fields) < 10:
        print("Error: Not enough fields in the sentence")
        return {}
    
    try:
        latitude = float(fields[2][:2]) + float(fields[2][2:]) / 60.0
        longitude = float(fields[4][:3]) + float(fields[4][3:]) / 60.0
        latitude_direction = fields[3]
        longitude_direction = fields[5]
        fix_quality = fields[6]
        satellites = int(fields[7])
        altitude = float(fields[9])
    except ValueError as e:
        print(f"ValueError: {e}")
        return {}
    
    return {
        'time': fields[1],
        'latitude': latitude if latitude_direction == 'N' else -latitude,
        'longitude': longitude if longitude_direction == 'E' else -longitude,
        'fix_quality': fix_quality,
        'satellites': satellites,
        'altitude': altitude,
    }

在这段代码中,parse_gpgga 函数首先检查语句的字段数量是否足够,然后解析出时间、纬度、经度、卫星状态等信息,并以字典形式返回。错误处理部分确保了在解析过程中遇到数据格式问题时,程序能够安全退出并输出相关错误信息。

四、批量解析GPS数据文件

4.1 GPS数据文件的组织结构

在实际应用中,GPS数据通常存储在多个文件中,每个文件记录一段时间内的位置信息。为了有效处理这些数据,我们需要编写代码从多个文件中批量读取并解析GPS数据。假设这些文件存储在一个目录中,每个文件名以日期和时间命名,如 lh-2024-07-23-095738.txt。

4.2 文件批量处理代码实现

以下代码展示了如何从指定目录中批量读取所有的GPS数据文件,并调用之前定义的 parse_gpgga 函数对其进行解析。

import os
def parse_gps_data(file_path):
    gps_data = []
    with open(file_path, 'r', encoding='utf-8') as file:
        for line in file:
            if re.search(r'\$GPGGA,[^$]+', line):
                data = parse_gpgga(line)
                if data:
                    gps_data.append(data)
    return gps_data
def batch_parse_gps_files(directory):
    all_gps_data = []
    for filename in os.listdir(directory):
        if filename.endswith(".txt"):
            file_path = os.path.join(directory, filename)
            print(f"Processing file: {file_path}")
            gps_data = parse_gps_data(file_path)
            print(f"Parsed data from {filename}: {gps_data}")
            all_gps_data.extend(gps_data)
    return all_gps_data

在此代码中,batch_parse_gps_files 函数遍历指定目录中的所有文件,并依次解析每个文件中的GPS数据。最终返回一个包含所有GPS数据的列表。这样就可以对大量GPS数据进行批量处理,极大地提高了效率。

五、GPS数据的可视化

数据可视化是分析和理解GPS数据的关键步骤。通过将GPS数据可视化,可以直观地展示设备的运动轨迹和位置变化。Folium库是Python中用于生成交互式地图的强大工具,下面我们将展示如何利用Folium将GPS数据绘制在地图上。

5.1 Folium库的介绍

Folium是一个基于Leaflet.js的Python库,可以生成丰富的地图展示。它支持多种地图样式,包括OpenStreetMap、Stamen Terrain、Google地图等。Folium还允许在地图上添加标记、线条、多边形等元素,并支持自定义样式,使其非常适合用于GPS数据的可视化。

5.2 地图样式与图层控制

为了丰富地图的展示效果,我们可以在Folium中添加多个图层,并通过图层控制器切换不同的地图样式。以下代码展示了如何在Folium中使用OpenStreetMap作为基础图层,同时添加Google卫星地图作为可选图层。

import folium
def visualize_gps_data(gps_data):
    if not gps_data:
        print("No GPS data available to visualize.")
        return
    map_center = [gps_data[0]['latitude'], gps_data[0]['longitude']]
    
    gps_map = folium.Map(location=map_center, zoom_start=14, tiles='OpenStreetMap')
    folium.TileLayer(
        tiles='https://mt1.google.com/vt/lyrs=s&x={x}&y={y}&z={z}',
        name='Google Satellite',
        attr='© Google'
    ).add_to(gps_map)
    folium.LayerControl().add_to(gps_map)

在上述代码中,folium.Map 函数创建了一个以OpenStreetMap为基础的地图,folium.TileLayer 用于添加Google卫星图层,并通过 folium.LayerControl 添加图层控制器,允许用户在不同的图层之间切换。

5.3 GPS数据的标记与展示

接下来,我们将解析得到的GPS数据添加到地图上。为了防止过多的重复数据导致标记重叠,我们首先对GPS数据进行去重处理,然后使用 folium.CircleMarker 添加标记。

def visualize_gps_data(gps_data):
    if not gps_data:
        print("No GPS data available to visualize.")
        return
    map_center = [gps_data[0]['latitude'], gps_data[0]['longitude']]
    
    gps_map = folium.Map(location=map_center, zoom_start=14, tiles='OpenStreetMap')
    folium.TileLayer(
        tiles='https://mt1.google.com/vt/lyrs=s&x={x}&y={y}&z={z}',
        name='Google Satellite',
        attr='© Google'
    ).add_to(gps_map)
    folium.LayerControl().add_to(gps_map)
    unique_gps_data =
 []
    seen = set()
    for data in gps_data:
        coord = (data['latitude'], data['longitude'])
        if coord not in seen:
            unique_gps_data.append(data)
            seen.add(coord)
    for data in unique_gps_data:
        print(f"Adding marker at ({data['latitude']}, {data['longitude']})")
        
        folium.CircleMarker(
        [data['latitude'], data['longitude']],
        radius=0.5,
        color='red',
        fill=True,
        fill_color='red',
        fill_opacity=0.8
        ).add_to(gps_map)  
    gps_map.save('gps_map.html')

此代码的主要功能是将解析出的GPS数据以红色圆圈的形式标记在地图上,并以适当的缩放级别显示地图。最终生成的地图将被保存为HTML文件,可以在浏览器中查看。

5.4 解决白色轨迹线问题

在使用Folium进行GPS数据可视化时,有时会遇到标记点之间出现白色轨迹线的问题,这通常是由于地图渲染器的处理导致的。为了避免这个问题,我们通过调整标记的样式,如半径、颜色和透明度等,来减少视觉干扰。

folium.CircleMarker(
    [data['latitude'], data['longitude']],
    radius=0.5,  
    color='red',  
    fill=True,
    fill_color='red',  
    fill_opacity=0.8
).add_to(gps_map)

通过使用较小的标记半径和高透明度的颜色,我们可以显著降低白色轨迹线的出现几率,使地图显示更加清晰。

六、项目实践应用:从数据采集到可视化展示

在实际项目中,GPS数据的处理和展示往往是一个复杂的过程,涉及到数据的采集、解析、清洗、处理和最终的可视化展示。通过本文的示例代码,读者可以完整地体验这个过程,从而能够在实际应用中实现更复杂的GPS数据处理和分析。

6.1 机器采集数据(.txt)

6.2 文件(.txt)部分关键信息

1723730899378.jpg

6.3 项目代码

import os
import folium
import sys
import re
def parse_gpgga(sentence):
    fields = sentence.split(',')
    if len(fields) < 10:
        print("Error: Not enough fields in the sentence")
        return {}
    
    try:
        latitude = float(fields[2][:2]) + float(fields[2][2:]) / 60.0
        longitude = float(fields[4][:3]) + float(fields[4][3:]) / 60.0
        latitude_direction = fields[3]
        longitude_direction = fields[5]
        fix_quality = fields[6]
        satellites = int(fields[7])
        altitude = float(fields[9])
    except ValueError as e:
        print(f"ValueError: {e}")
        return {}
    
    return {
        'time': fields[1],
        'latitude': latitude if latitude_direction == 'N' else -latitude,
        'longitude': longitude if longitude_direction == 'E' else -longitude,
        'fix_quality': fix_quality,
        'satellites': satellites,
        'altitude': altitude,
    }
def parse_gps_data(file_path):
    gps_data = []
    with open(file_path, 'r', encoding='utf-8') as file:
        for line in file:
            # print(f"Reading line: {line.strip()}")  # 添加调试输出
            if re.search(r'\$GPGGA,[^$]+', line):
                data = parse_gpgga(line)
                if data:  # 检查是否成功解析数据
                    gps_data.append(data)
    return gps_data
def batch_parse_gps_files(directory):
    all_gps_data = []
    for filename in os.listdir(directory):
        if filename.endswith(".txt"):
            file_path = os.path.join(directory, filename)
            print(f"Processing file: {file_path}")  # 调试输出
            gps_data = parse_gps_data(file_path)
            print(f"Parsed data from {filename}: {gps_data}")  # 调试输出
            all_gps_data.extend(gps_data)
    return all_gps_data
def visualize_gps_data(gps_data):
    if not gps_data:
        print("No GPS data available to visualize.")
        return
    map_center = [gps_data[0]['latitude'], gps_data[0]['longitude']]
    
    gps_map = folium.Map(location=map_center, zoom_start=14, tiles='OpenStreetMap')
    folium.TileLayer(
        tiles='https://mt1.google.com/vt/lyrs=s&x={x}&y={y}&z={z}',
        name='Google Satellite',
        attr='© Google'
    ).add_to(gps_map)
    folium.LayerControl().add_to(gps_map)
    unique_gps_data = []
    seen = set()
    for data in gps_data:
        coord = (data['latitude'], data['longitude'])
        if coord not in seen:
            unique_gps_data.append(data)
            seen.add(coord)
    for data in unique_gps_data:
        print(f"Adding marker at ({data['latitude']}, {data['longitude']})")
        
        folium.CircleMarker(
        [data['latitude'], data['longitude']],
        radius=0.5,  # 半径大小
        color='red',  # 边框颜色
        fill=True,
        fill_color='red',  # 填充颜色
        fill_opacity=0.8
        ).add_to(gps_map)  
    gps_map.save('gps_map.html')
if __name__ == '__main__':
    
    # 自定义路径
    directory = "F:\\notebookComputer\\20240723\\101711_ND03_ruprtpldbyihyjhh_gpslog\\gps\\log\\lhd"
    
    parsed_gps_data = batch_parse_gps_files(directory)  # 使用正确的路径变量
    visualize_gps_data(parsed_gps_data)

6.4 运行保存文件:gps_map.html

1723730919939.jpg

6.5 打开文件轨迹效果:Google地图

1723730938094.jpg

七、总结

本文通过详细的步骤展示了如何解析GPS接收机生成的GPGGA语句,并利用Folium库将这些数据进行可视化展示。通过这一过程,读者不仅可以掌握GPS数据的基本处理方法,还能深入了解如何在Python中实现复杂的数据可视化并在此基础上扩展到更复杂的应用场景,进一步提升对GPS数据的理解和应用能力。希望这些内容能够为读者在相关领域的开发和研究提供有益的参考。

1723730966589.jpg

1723730982711.jpg

作者:Rjdeng

链接:https://juejin.cn/post/7398480670446207039

相关文章
|
27天前
|
存储 搜索推荐 大数据
数据大爆炸:解析大数据的起源及其对未来的启示
数据大爆炸:解析大数据的起源及其对未来的启示
92 15
数据大爆炸:解析大数据的起源及其对未来的启示
|
8天前
|
数据采集 前端开发 API
SurfGen爬虫:解析HTML与提取关键数据
SurfGen爬虫:解析HTML与提取关键数据
|
13天前
|
数据采集 监控 搜索推荐
深度解析淘宝商品详情API接口:解锁电商数据新维度,驱动业务增长
淘宝商品详情API接口,是淘宝开放平台为第三方开发者提供的一套用于获取淘宝、天猫等电商平台商品详细信息的应用程序接口。该接口涵盖了商品的基本信息(如标题、价格、图片)、属性参数、库存状况、销量评价、物流信息等,是电商企业实现商品管理、市场分析、营销策略制定等功能的得力助手。
|
1月前
|
JSON 前端开发 搜索推荐
关于商品详情 API 接口 JSON 格式返回数据解析的示例
本文介绍商品详情API接口返回的JSON数据解析。最外层为`product`对象,包含商品基本信息(如id、name、price)、分类信息(category)、图片(images)、属性(attributes)、用户评价(reviews)、库存(stock)和卖家信息(seller)。每个字段详细描述了商品的不同方面,帮助开发者准确提取和展示数据。具体结构和字段含义需结合实际业务需求和API文档理解。
|
30天前
|
JSON 缓存 API
解析电商商品详情API接口系列,json数据示例参考
电商商品详情API接口是电商平台的重要组成部分,提供了商品的详细信息,支持用户进行商品浏览和购买决策。通过合理的API设计和优化,可以提升系统性能和用户体验。希望本文的解析和示例能够为开发者提供参考,帮助构建高效、可靠的电商系统。
39 12
|
23天前
|
搜索推荐 API 开发者
深度解析:利用商品详情 API 接口实现数据获取与应用
在电商蓬勃发展的今天,数据成为驱动业务增长的核心。商品详情API接口作为连接海量商品数据的桥梁,帮助运营者、商家和开发者获取精准的商品信息(如价格、描述、图片、评价等),优化策略、提升用户体验。通过理解API概念、工作原理及不同平台特点,掌握获取权限、构建请求、处理响应和错误的方法,可以将数据应用于商品展示、数据分析、竞品分析和个性化推荐等场景,助力电商创新与发展。未来,随着技术进步,API接口将与人工智能、大数据深度融合,带来更多变革。
62 3
|
2月前
|
人工智能 自然语言处理 Java
FastExcel:开源的 JAVA 解析 Excel 工具,集成 AI 通过自然语言处理 Excel 文件,完全兼容 EasyExcel
FastExcel 是一款基于 Java 的高性能 Excel 处理工具,专注于优化大规模数据处理,提供简洁易用的 API 和流式操作能力,支持从 EasyExcel 无缝迁移。
234 9
FastExcel:开源的 JAVA 解析 Excel 工具,集成 AI 通过自然语言处理 Excel 文件,完全兼容 EasyExcel
|
1月前
|
Serverless 对象存储 人工智能
智能文件解析:体验阿里云多模态信息提取解决方案
在当今数据驱动的时代,信息的获取和处理效率直接影响着企业决策的速度和质量。然而,面对日益多样化的文件格式(文本、图像、音频、视频),传统的处理方法显然已经无法满足需求。
94 4
智能文件解析:体验阿里云多模态信息提取解决方案
|
1月前
|
存储 分布式计算 Hadoop
基于Java的Hadoop文件处理系统:高效分布式数据解析与存储
本文介绍了如何借鉴Hadoop的设计思想,使用Java实现其核心功能MapReduce,解决海量数据处理问题。通过类比图书馆管理系统,详细解释了Hadoop的两大组件:HDFS(分布式文件系统)和MapReduce(分布式计算模型)。具体实现了单词统计任务,并扩展支持CSV和JSON格式的数据解析。为了提升性能,引入了Combiner减少中间数据传输,以及自定义Partitioner解决数据倾斜问题。最后总结了Hadoop在大数据处理中的重要性,鼓励Java开发者学习Hadoop以拓展技术边界。
50 7
|
3月前
|
数据采集 自然语言处理 搜索推荐
基于qwen2.5的长文本解析、数据预测与趋势分析、代码生成能力赋能esg报告分析
Qwen2.5是一款强大的生成式预训练语言模型,擅长自然语言理解和生成,支持长文本解析、数据预测、代码生成等复杂任务。Qwen-Long作为其变体,专为长上下文场景优化,适用于大型文档处理、知识图谱构建等。Qwen2.5在ESG报告解析、多Agent协作、数学模型生成等方面表现出色,提供灵活且高效的解决方案。
378 49

推荐镜像

更多