{"id":4864,"date":"2018-03-22T06:37:43","date_gmt":"2018-03-22T13:37:43","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=4864"},"modified":"2025-06-13T23:43:11","modified_gmt":"2025-06-14T06:43:11","slug":"geospatial-queries-using-python-search-cities","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/geospatial-queries-using-python-search-cities\/","title":{"rendered":"Consultas geoespaciales: Uso de Python para buscar ciudades"},"content":{"rendered":"

\"16665891<\/h3>\n

Daniel Ancuta es un ingeniero de software con varios a\u00f1os de experiencia utilizando diferentes tecnolog\u00edas. Es un gran fan de \"El Zen de Python\", que intenta aplicar no s\u00f3lo en su c\u00f3digo sino tambi\u00e9n en su vida privada. Puedes encontrarle en Twitter: @daniel_ancuta<\/a><\/u><\/p>\n

Consultas geoespaciales: Uso de Python para buscar ciudades<\/strong><\/h2>\n

La informaci\u00f3n de geolocalizaci\u00f3n se utiliza a diario en casi todos los aspectos de nuestra interacci\u00f3n con los ordenadores. Ya sea un sitio web que quiere enviarnos notificaciones personalizadas basadas en la ubicaci\u00f3n, mapas que nos muestran la ruta m\u00e1s corta posible o simplemente tareas que se ejecutan en segundo plano y comprueban los lugares que hemos visitado.<\/p>\n

Hoy me gustar\u00eda presentarles a consultas geoespaciales<\/a><\/u>\u00a0que se utilizan en Couchbase. Consultas geoespaciales<\/a><\/u>\u00a0permiten buscar documentos en funci\u00f3n de su localizaci\u00f3n geogr\u00e1fica.<\/p>\n

Juntos escribiremos una herramienta en Python que utilice consultas geoespaciales<\/a><\/u>\u00a0con API REST de Couchbase<\/a><\/u>\u00a0y B\u00fasqueda de texto completo en Couchbase<\/a><\/u>que nos ayudar\u00e1 a buscar en una base de datos de ciudades.<\/p>\n

Requisitos previos<\/strong><\/h2>\n

Dependencias<\/strong><\/h3>\n

En este art\u00edculo he utilizado Couchbase Edici\u00f3n Enterprise<\/a> 5.1.0 build 5552 y Python<\/a> 3.6.4.<\/p>\n

Para ejecutar fragmentos de este art\u00edculo debe instalar Couchbase 2.3 (estoy usando 2.3.4) a trav\u00e9s de pip.<\/p>\n

Couchbase<\/strong><\/h3>\n
    \n
  1. Crear un cubo de ciudades<\/li>\n
  2. Cree una b\u00fasqueda de ciudades con un campo geogr\u00e1fico de tipo geopunto. Puede leer sobre ello en el Insertar un campo hijo<\/a><\/u>\u00a0parte de la documentaci\u00f3n.<\/li>\n<\/ol>\n

    Deber\u00eda parecerse a la imagen de abajo:<\/p>\n

    \"image<\/p>\n

    Rellenar Couchbase con datos<\/strong><\/h2>\n

    En primer lugar, necesitamos datos para nuestro ejercicio. Para ello, utilizaremos una base de datos de ciudades de geonames.org<\/a><\/u>.<\/p>\n

    GeoNames contiene dos bases de datos principales: lista de ciudades y lista de c\u00f3digos postales.<\/p>\n

    Todos est\u00e1n agrupados por pa\u00edses con la informaci\u00f3n correspondiente como nombre, coordenadas, poblaci\u00f3n, zona horaria, c\u00f3digo de pa\u00eds, etc. Ambos est\u00e1n en formato CSV.<\/p>\n

    Para este ejercicio, utilizaremos la lista de ciudades. He utilizado PL.zip<\/a><\/u>\u00a0pero si\u00e9ntase libre de elegir el que prefiera del lista de ciudades<\/a><\/u>.<\/p>\n

    Modelo de datos<\/strong><\/h3>\n

    La clase City ser\u00e1 nuestra representaci\u00f3n de una \u00fanica ciudad que utilizaremos en toda la aplicaci\u00f3n. Al encapsularla en un modelo, unificamos la API y no necesitamos depender de fuentes de datos de terceros (por ejemplo, un archivo CSV) que podr\u00edan cambiar.<\/p>\n

    La mayor\u00eda de nuestros fragmentos se encuentran (hasta que se diga lo contrario) en el archivo core.py. As\u00ed que recuerda actualizarlo (especialmente cuando a\u00f1adas nuevas importaciones) y no anular todo el contenido.<\/p>\n

    # core.py\r\nclass City:\r\n   def __init__(self, geonameid, feature_class, name, population, lat, lon):\r\n       self.geonameid = geonameid\r\n       self.feature_class = feature_class\r\n       self.name = name\r\n       self.population = population\r\n       self.lat = lat\r\n       self.lon = lon\r\n\r\n   @classmethod\r\n   def from_csv_row(cls, row):\r\n       return cls(row[0], row[7], row[1], row[12], row[4], row[5])<\/pre>\n
     <\/p>\n
    Iterador CSV para procesar ciudades<\/strong><\/h3>\n
    Como ya tenemos una clase modelo, es hora de preparar un iterador que nos ayude a leer las ciudades del fichero CSV.<\/p>\n
    # core.py\r\nimport csv\r\nfrom collections import Iterator\r\n\r\nclass CitiesCsvIterator(Iterator):\r\n   def __init__(self, path):\r\n       self._path = path\r\n       self._fp = None\r\n       self._csv_reader = None\r\n\r\n   def __enter__(self):\r\n       self._fp = open(self._path, 'r')\r\n       self._csv_reader = csv.reader(self._fp, delimiter='\\t')\r\n\r\n       return self\r\n\r\n   def __exit__(self, exc_type, exc_val, exc_tb):\r\n       self._fp.close()\r\n\r\n   def __next__(self):\r\n       return City.from_csv_row(next(self._csv_reader))\r\n<\/pre>\n
    Insertar ciudades en el bucket de Couchbase<\/strong><\/h3>\n
    Hemos unificado la forma de representar una ciudad, y tenemos un iterador que leer\u00eda las del archivo csv.<\/p>\n
    Es hora de poner estos datos en nuestra fuente de datos principal, Couchbase<\/a><\/u>.<\/p>\n
    # core.py\r\nimport logging\r\nimport sys\r\nfrom couchbase.cluster import Cluster, PasswordAuthenticator\r\n\r\n\r\nlogger = logging.getLogger()\r\nlogger.setLevel(logging.DEBUG)\r\nlogger.addHandler(logging.StreamHandler(sys.stdout))\r\n\r\n\r\ndef get_bucket(username, password, connection_string='couchbase:\/\/localhost'):\r\n   cluster = Cluster(connection_string)\r\n   authenticator = PasswordAuthenticator(username, password)\r\n   cluster.authenticate(authenticator)\r\n\r\n   return cluster.open_bucket('cities')\r\n\r\n\r\nclass CitiesService:\r\n   def __init__(self, bucket):\r\n       self._bucket = bucket\r\n\r\n   def load_from_csv(self, path):\r\n       with CitiesCsvIterator(path) as cities_iterator:\r\n           for city in cities_iterator:\r\n               if city.feature_class not in ('PPL', 'PPLA', 'PPLA2', 'PPLA3',\r\n                                             'PPLA4', 'PPLC'):\r\n                   continue\r\n\r\n               logger.info(f'Inserting {city.geonameid}')\r\n               self._bucket.upsert(\r\n                   city.geonameid,\r\n                   {\r\n                       'name': city.name,\r\n                       'feature_class': city.feature_class,\r\n                       'population': city.population,\r\n                       'geo': {'lat': float(city.lat),\r\n                               'lon': float(city.lon)}\r\n                   }\r\n               )\r\n\r\n<\/pre>\n
     <\/p>\n
    Para comprobar si todo lo que hemos escrito hasta ahora funciona, vamos a cargar contenido CSV en Couchbase.<\/p>\n
    # core.py\r\n\r\nbucket = get_bucket('admin', 'test123456')\r\ncities_service = CitiesService(bucket)\r\ncities_service.load_from_csv('~\/directory-with-cities\/PL\/PL.txt', bucket)<\/pre>\n
     <\/p>\n
    En este punto deber\u00edas tener las ciudades cargadas en tu bucket de Couchbase. El tiempo que tarde depender\u00e1 del pa\u00eds que haya elegido.<\/p>\n
    Buscar ciudades<\/strong><\/h2>\n
    Ya tenemos nuestro bucket listo con los datos, as\u00ed que es hora de volver a CitiesService y preparar unos cuantos m\u00e9todos que nos ayuden en la b\u00fasqueda de ciudades.<\/p>\n
    Pero antes de empezar, tenemos que modificar ligeramente la clase City, a\u00f1adiendo el siguiente m\u00e9todo:<\/p>\n
    # core.py\r\n\r\n@classmethod\r\ndef\u00a0from_couchbase_dict(cls, row):\r\nfields =\u00a0row['fields']\r\n\r\nreturn\u00a0cls(row['id'],\r\nfields['feature_class'],\r\nfields['name'],\r\nfields['population'],\r\nfields['geo'][1],\r\nfields['geo'][0])\r\n\r\n<\/pre>\n
    Esa es la lista de m\u00e9todos que implementaremos en CitiesService:<\/p>\n