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!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00