本文旨在解决通过python API获取USDA FDC营养数据时遇到的结果限制问题。我们将详细讲解API分页机制,介绍如何利用pageSize和pageNumber参数,并通过迭代请求实现完整数据集的检索,确保用户能够高效、准确地获取所有目标数据。
1. 理解API分页机制
在使用第三方API时,特别是涉及大量数据检索的场景,API通常会采用分页(Pagination)机制来管理和限制单次请求返回的数据量。这种机制有几个主要目的:
- 减轻服务器压力: 避免一次性返回海量数据,消耗过多服务器资源。
- 优化网络传输: 减少单次请求的数据传输量,提高响应速度。
- 提升客户端性能: 客户端无需一次性处理所有数据,可以按需加载,提升用户体验。
对于USDA Food Data Central (FDC) API,默认情况下,其搜索接口(/foods/search)每次请求最多返回50条结果。如果未正确处理分页,用户将只能获取到数据集的冰山一角。
2. 识别API分页信息
要正确处理API分页,首先需要识别API响应中包含的分页信息。通常,API会在响应体中提供当前页码、总页数以及每页大小等关键信息。以USDA FDC API为例,当您发起一个搜索请求并获取到JSON响应时,会发现类似currentPage和totalPages这样的字段,它们明确指示了结果是分页的,并且提供了遍历所有页面所需的信息。
此外,查阅API官方文档是理解分页机制最直接有效的方式。USDA FDC API的文档会明确指出哪些参数用于控制分页,例如pageSize(每页返回结果数量)和pageNumber(请求的页码)。根据文档,pageSize的默认值是50,但最大可以设置为200。
3. 实现完整数据检索:分页请求策略
要获取所有符合条件的数据,我们需要实施一个迭代请求策略,即:
- 发起第一次请求,获取第一页数据,并识别总页数。
- 根据总页数,循环发起后续请求,每次请求不同的页码。
- 将所有页面的数据合并起来,形成完整的查询结果。
以下是一个使用Python requests库实现USDA FDC API分页数据检索的示例:
import requests import json import pandas as pd def get_all_food_data(query_term: str, api_key: str, max_page_size: int = 200) -> list: """ 通过迭代请求USDA FDC API,获取指定查询词的所有食物营养数据。 Args: query_term (str): 搜索的食物名称或关键词。 api_key (str): 您的USDA FDC API密钥。 max_page_size (int): 每页请求的最大结果数量,USDA FDC API最大支持200。 Returns: list: 包含所有食物营养数据的列表,每个元素是一个字典。 如果请求失败或无数据,则返回空列表。 """ all_foods = [] # 构建基础URL,设置API密钥和查询词,并指定最大页大小 base_url = f"https://api.nal.usda.gov/fdc/v1/foods/search?api_key={api_key}&query={query_term}&pageSize={max_page_size}" with requests.Session() as session: # 使用requests.Session保持连接,提高效率 try: # 1. 获取第一页数据,并确定总页数 print(f"Fetching page 1 for query: '{query_term}'...") response = session.get(base_url, timeout=15) response.raise_for_status() # 检查HTTP请求是否成功 api_response = response.json() if not api_response.get("foods"): print(f"No foods found for query: '{query_term}'.") return [] all_foods.extend(api_response["foods"]) total_pages = api_response.get("totalPages", 1) print(f"Total pages to retrieve: {total_pages}") # 2. 迭代获取后续页面数据 for page_num in range(2, total_pages + 1): print(f"Fetching page {page_num}...") page_url = f"{base_url}&pageNumber={page_num}" page_response = session.get(page_url, timeout=15) page_response.raise_for_status() page_data = page_response.json() all_foods.extend(page_data["foods"]) except requests.exceptions.HTTPError as http_err: print(f"HTTP error occurred: {http_err} - Status Code: {response.status_code}") return [] except requests.exceptions.ConnectionError as conn_err: print(f"Connection error occurred: {conn_err}") return [] except requests.exceptions.Timeout as timeout_err: print(f"Timeout error occurred: {timeout_err}") return [] except requests.exceptions.RequestException as req_err: print(f"An unexpected error occurred: {req_err}") return [] except json.JSONDecodeError: print(f"Failed to decode JSON from response: {response.text[:200]}...") return [] return all_foods # --- 示例使用 --- if __name__ == "__main__": # 请替换为您的实际API密钥 YOUR_API_KEY = "YOUR_USDA_API_KEY" search_query = "raw" # 例如,搜索所有“生”的食物 # 1. 获取所有食物数据 food_items = get_all_food_data(search_query, YOUR_API_KEY) if food_items: print(f"nSuccessfully retrieved {len(food_items)} food items.") # 2. 将获取到的数据转换为DataFrame并进行处理 table_data = [] for food_item in food_items: row = { "Description": food_item.get("description", "N/A"), "FDC_ID": food_item.get("fdcId", "N/A") } # 提取主要营养素 for nutrient in food_item.get("foodNutrients", []): nutrient_name = nutrient.get("nutrientName") if nutrient_name: row[nutrient_name] = nutrient.get("value") table_data.append(row) df = pd.DataFrame(table_data) # 3. 数据清洗和处理(示例) # 移除完全为空的列(如果有很多稀疏营养素) df.dropna(axis=1, how='all', inplace=True) # 填充NaN值,例如用0或平均值 df.fillna(0, inplace=True) print("nDataFrame Head:") print(df.head()) print(f"nDataFrame Shape: {df.shape}") # 4. 导出到excel try: output_filename = f'{search_query}_food_data.xlsx' df.to_excel(output_filename, index=False) print(f"nData successfully exported to '{output_filename}'") except Exception as e: print(f"Error exporting to Excel: {e}") else: print("No data to process or export.")
4. 代码解析与注意事项
- requests.Session(): 使用requests.Session()可以有效地复用TCP连接,对于需要进行多次HTTP请求的场景(如分页),这能显著提高性能。
- pageSize参数: 在构建初始URL时,通过&pageSize=200将每页结果数量设置为最大值,以减少总请求次数。
- totalPages识别: 第一次请求后,从API响应中提取totalPages字段,这是控制循环的关键。
- 循环迭代: 使用range(2, total_pages + 1)从第二页开始遍历到最后一页,每次请求通过&pageNumber={page_num}指定页码。
- 数据合并: 每次请求获取到的foods列表都通过all_foods.extend()方法添加到总列表中。
- 错误处理:
- 数据后处理:
- 获取所有数据后,您可以像原问题中那样,将其转换为pandas.DataFrame进行进一步的清洗、分析和导出。
- 注意处理food_item.get(“description”, “N/A”)等,使用.get()方法可以避免键不存在时抛出KeyError。
- 根据实际需求,可能需要对DataFrame进行填充缺失值(df.fillna())或删除空列(df.dropna())等操作。
5. 总结
通过本文的详细讲解和示例代码,您应该已经掌握了如何有效地处理USDA FDC API的分页问题,从而获取完整的营养数据。核心在于理解API的分页机制,利用pageSize和pageNumber参数,并结合迭代请求和健壮的错误处理机制。这种方法不仅适用于USDA FDC API,也适用于大多数采用分页策略的restful API。在实际开发中,始终优先查阅API官方文档,它是解决此类问题的最佳指南。