Начиная с ранних версий платформа cGIS Pro предоставляет программный интерфейс для доступа к данным. Это позволяет разработчикам создавать приложения и сервисы, интегрировать cGIS Pro со сторонними системами и повышать гибкость всего решения. Теперь в состав cGIS Pro входит Python‑библиотека, которая раскрывает иерархию объектов платформы в терминах: проекты – слои – данные.
Python – один из самых популярных языков для работы с геоданными благодаря простоте, богатой экосистеме библиотек (pandas, GeoPandas, NumPy, Shapely, PyProj), активному сообществу и быстрой разработке. Он позволяет быстро создавать надежные и масштабируемые решения для автоматизации, анализа и интеграции данных cGIS Pro со стеком приложений компании.
– перечисление коллекций: проекты, слои, метаданные;
– поиск по именам и идентификаторам в коллекциях;
– доступ к данным слоев с серверной фильтрацией, выборкой только нужных атрибутов и поддержкой пагинации;
– перекрестная интеграция с популярными ГИС‑инструментами и средами анализа данных (например, QGIS, Jupyter);
– быстрый анализ слоев карты: валидация данных, построение тематических графиков и диаграмм.
– экономия времени за счет автоматизации: регулярные выгрузки, обновления и проверки качества данных – все это можно выполнять по расписанию или событиям, без ручных операций;
– масштабируемость: фильтрация и пагинация позволяют работать с большими наборами данных, не перегружая сеть и память;
– повышение качества данных: автоматические проверки целостности, выявление дубликатов, нарушений топологии и бизнес‑правил до попадания данных в отчеты;
– гибкая интеграция: объединение слоев cGIS Pro с внешними источниками (БД, файлы, API) в единый аналитический конвейер;
– снижение рисков зависимости: стандартный стек Python упрощает миграции и повторное использование кода;
– прозрачность и воспроизводимость: скрипты документируют процессы, упрощая аудит и сопровождение;
– быстрое понимание данных: от запроса к визуализации и отчету – в одной среде.
– городская аналитика: автоматическая выборка дорожных слоев с фильтрацией по классу улиц, расчет скоростных профилей, формирование дневных сводок и карт «узких мест» в Jupyter;
– управление активами: регулярный аудит слоев инженерных сетей на предмет пропущенных атрибутов и геометрических ошибок с выгрузкой результатов в дашборд;
– экология и мониторинг: объединение слоев покрытий земель с внешними телеметрическими данными, автоматическая классификация и построение тематических карт в GeoPandas.
Пример носит иллюстративный характер, имена модулей и методов могут зависеть от версии библиотеки доступа к данным cGIS Pro.
python
# ИЛЛЮСТРАТИВНЫЙ ПРИМЕР
from pycgispro import cGISPro, cGISProLayerData
from pycgispro.filters import *
cgispro = cGISPro(
base_url=os.environ[“CGISPRO_BASE_URL”],
rest_api_key=os.environ[“CGISPRO_REST_API_KEY”]
)
# проект и слой с данными
project = cgispro.projects.find_by(‘SampleProject’)[0]
layers = project.layers
lrs = layers.find_by(‘Здания’)
data = lrs[0].data
# список полей и фильтры
field_list = [‘Количество жилых помещений’, ‘Год постройки’, ‘Площадь’] data_filter = filter_(‘and’,
filter_(‘not null’, ‘Количество жилых помещений’),
filter_(‘not null’, ‘Год постройки’),
filter_(‘not null’, ‘Площадь’)
)
# select-запрос к данным (ограничимся небольшим количеством)
rows_count = 50
res = data.select(page_size=rows_count, page=1, field_list=field_list,
filter=data_filter)
# аналитика в pandas/GeoPandas
import pandas as pd
columns = [field[‘label’] for field in res[‘field_list’]]
df = pd.DataFrame(res[‘value_list’], columns=columns)
summary = df.groupby([‘Год постройки’]).sum().reset_index()
print(summary)
Данные проекта “© how-old-is-this.house, 2024″
– фильтрация на стороне сервера: используйте фильтры и выбор полей, чтобы уменьшать объем передаваемых данных;
– пагинация: настраивайте размер страницы исходя из пропускной способности сети и памяти;
– индексация: для часто используемых фильтров убедитесь, что в источнике данных созданы индексы по ключевым полям;
– векторные форматы: для интенсивной геоаналитики используйте GeoPandas и эффективные форматы (GeoParquet) для промежуточного хранения данных;
– кэширование: кэшируйте неизменяемые справочники и слои по версиям или хешам;
– журналирование и мониторинг: логируйте параметры запросов и время отклика, выполняйте повторные попытки запросов с экспоненциальной паузой;
– безопасность: храните токены в переменных окружения/хранилищах секретов, применяйте минимальные привилегии доступа.
В: Что нужно для старта?
О: Доступ к cGIS Pro, токен досупа, установленная Python‑библиотека доступа к данным и базовый стек анализа (Pandas/GeoPandas, Jupyter).
В: Можно ли использовать библиотеку с Jupyter?
О: Да. Это удобный способ быстро прототипировать запросы, визуализировать результаты и создавать воспроизводимые отчеты.
В: Поддерживается ли интеграция с другими ГИС‑инструментами?
О: Да. Возможна перекрестная интеграция с популярными ГИС‑инструментами и экосистемами анализа данных, включая QGIS и Jupyter.
Python‑библиотека доступа к данным cGIS Pro делает доступ к проектам, слоям и данным предсказуемым, быстрым и безопасным. Она ускоряет интеграции, позволяет повысить качество данных и сокращает время анализа данных. Начните с простых примеров использования и постепенно переходите к полноценным конвейерам анализа данных и отчётности.
Для тестирования работы cGIS Pro Python API использовались данные картографического издательства «Кон-Тики» https://kontikimaps.ru
Русский 
English 
Svenska