推荐:MTA 实时地铁API JSON代理
MTAPI是一个小巧的HTTP服务器,它将MTA(纽约大都会运输署)的实时地铁信息源,从Protocol Buffers/GTFS格式转换为JSON。该应用还增加了缓存功能,并支持通过位置和列车线路检索信息。
活跃开发中
该项目正处于活跃的开发阶段,API的任何部分都可能发生变化。我们非常欢迎您的反馈。
运行服务器
MTAPI是一个基于Python 3.3+设计的Flask应用程序。
- 创建一个
settings.cfg文件,可以参考提供的settings.cfg.sample示例。 - 设置环境并安装依赖项。
$ python3 -m venv .venv $ source .venv/bin/activate $ python3 -m pip install -r requirements.txt - 运行服务器
$ python app.py
如果配置文件名不是settings.cfg,则设置环境变量MTAPI_SETTINGS为你的配置文件路径。
若在uWSGI下运行,请包括--enable-threads标志。
端点
有关获取火车数据及其样本输入和输出的端点列表,请参阅此处。
设置选项
-
MTA_KEY (必需)
在[hhttps://api.mta.info/#/signup]申请的API密钥。 默认:None -
STATIONS_FILE (必需)
包含车站信息的JSON文件路径。详情见生成车站文件部分。 默认:None -
CROSS_ORIGIN
添加CORS头部到HTTP响应。 默认:在调试模式下为"*",否则为None -
MAX_TRAINS
限制每个车站列出的列车数量。 默认:10 -
MAX_MINUTES
列出的火车信息的时间范围上限。 默认:30 -
CACHE_SECONDS
应用程序请求MTA API新数据的频率。 默认:60 -
THREADED
启用后台数据刷新,防止请求因从MTA API获取新数据而挂起。 默认:True -
DEBUG
标准Flask选项。开启后将启用增强的日志记录和通配符CORS头。 默认:False
生成车站文件
MTA提供了一些静态数据文件关于地铁系统,但没有包含每个车站的权威信息。MTAPI附带了一个脚本,可以从MTA提供的'stops.txt' 和 'transfers.txt' 数据集中解析数据,并尝试将不同的列车站点归类为地铁站。MTAPI会使用这个JSON文件来获取站名和位置。分类并非完美,鼓励对结果文件进行编辑。
使用方法:
$ python make_stations_csv.py stops.txt transfers.txt > stations.csv
# 编辑stations.csv中的分组
$ python make_stations_json.py stations.csv > stations.json
# 编辑stations.json中的名字
帮助与问题
提交GitHub Issues请求以获得帮助。
相关项目
以下是一些使用MTAPI的项目:
- http://wheresthefuckingtrain.com
许可证
该项目遵循MIT许可协议。
MTAPI是开发者友好的工具,它简化了与MTA实时数据的交互,无论你是想构建一款方便纽约市民查询地铁状态的应用,还是对公共交通API感兴趣,它都是理想的选择。其轻量级的设计、灵活的配置选项以及易于集成的特点,使得MTAPI成为一个值得尝试的开源项目。立即加入,开启你的地铁数据之旅!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0133- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
MusicFreeDesktop插件化、定制化、无广告的免费音乐播放器TypeScript00