这里要说的不是shp文件，而是gadm对shp文件的压缩打包操作。

首先看几个目录结构信息，分析标准的文件逻辑是如何的，便于进行批量数据处理。

在标准目录使用tree /F快速搞定并输出。

├─ABW_adm_shp

│ ABW_adm0.cpg

│ ABW_adm0.csv

│ ABW_adm0.dbf

│ ABW_adm0.prj

│ ABW_adm0.shp

│ ABW_adm0.shx

│ license.txt

│

├─AFG_adm_shp

│ AFG_adm0.cpg

│ AFG_adm0.csv

│ AFG_adm0.dbf

│ AFG_adm0.prj

│ AFG_adm0.shp

│ AFG_adm0.shx

│ AFG_adm1.cpg

│ AFG_adm1.csv

│ AFG_adm1.dbf

│ AFG_adm1.prj

│ AFG_adm1.shp

│ AFG_adm1.shx

│ AFG_adm2.cpg

│ AFG_adm2.csv

│ AFG_adm2.dbf

│ AFG_adm2.prj

│ AFG_adm2.shp

│ AFG_adm2.shx

│ license.txt

│

├─AGO_adm_shp

│ AGO_adm0.cpg

│ AGO_adm0.csv

│ AGO_adm0.dbf

│ AGO_adm0.prj

│ AGO_adm0.shp

│ AGO_adm0.shx

│ AGO_adm1.cpg

│ AGO_adm1.csv

│ AGO_adm1.dbf

│ AGO_adm1.prj

│ AGO_adm1.shp

│ AGO_adm1.shx

│ AGO_adm2.cpg

│ AGO_adm2.csv

│ AGO_adm2.dbf

│ AGO_adm2.prj

│ AGO_adm2.shp

│ AGO_adm2.shx

│ AGO_adm3.cpg

│ AGO_adm3.csv

│ AGO_adm3.dbf

│ AGO_adm3.prj

│ AGO_adm3.shp

│ AGO_adm3.shx

│ license.txt

从上面的文件可以看出，全部文件名均以ABW,AFG开头，基本为国家区域的代码，然后adm等级分为0,1,2,3,4,5，上面只列举出3级，所有数据遍历可得5级，当然不排除后续可能出现6级行政区域的可能性。

接下来就是对shp文件进行解析，看看会出现什么内容。对shp文件处理有很多种方式，我直接使用PostGIS的shp2pgsql转换为数据库文件，同时存入到postgresql，好处就是简单方便，没有多余的数据，麻烦就是没有可视化的内容，当然我也不需要相关数据.

/**

* User: loveyu

* Date: 2018/2/13

* Time: 18:55

* @more see https://github.com/loveyu/BlogCodeSegment/blob/master/GEO/gadm/shp2pgsql/covert.php

*/

require_once __DIR__."/../../../init.php";

if(!isset($argv[1]) || !is_dir($argv[1])) {

die("Error or empty dir.");

}

$list = glob("{$argv[1]}/*");

$shp2pgsql_exe_file = EXE_shp2pgsql;

$psql_exe = EXE_psql;

foreach($list as $item) {

echo $item, "\n";

$shp_list = glob("{$item}/*.shp");

foreach($shp_list as $value) {

$filename = pathinfo($value, PATHINFO_FILENAME);

$dir_name = pathinfo($value, PATHINFO_DIRNAME);

$output = $dir_name.DIRECTORY_SEPARATOR.$filename.".sql";

//4326 is WGS84

echo $cmd = ""{$shp2pgsql_exe_file}" -I -s 4326 "{$value}" > "{$output}" ";

system($cmd);

echo $import_cmd = ""{$psql_exe}" -U postgres -d gamd_db -f "{$output}"";

system($import_cmd);

}

}

然后直接得到如下数据结构，附上全部不同等级数据结构。以法国为例，法国有五层数据结构数据，可以很明显的标记数据类型。

CREATE TABLE "public"."fra_adm0" (

"gid" int4 DEFAULT NEXTVAL('fra_adm0_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_engli" VARCHAR(50) COLLATE "default",

"name_iso" VARCHAR(54) COLLATE "default",

"name_fao" VARCHAR(50) COLLATE "default",

"name_local" VARCHAR(54) COLLATE "default",

"name_obsol" VARCHAR(150) COLLATE "default",

"name_varia" VARCHAR(160) COLLATE "default",

"name_nonla" VARCHAR(50) COLLATE "default",

"name_frenc" VARCHAR(50) COLLATE "default",

"name_spani" VARCHAR(50) COLLATE "default",

"name_russi" VARCHAR(50) COLLATE "default",

"name_arabi" VARCHAR(50) COLLATE "default",

"name_chine" VARCHAR(50) COLLATE "default",

"waspartof" VARCHAR(100) COLLATE "default",

"contains" VARCHAR(50) COLLATE "default",

"sovereign" VARCHAR(40) COLLATE "default",

"iso2" VARCHAR(4) COLLATE "default",

"www" VARCHAR(2) COLLATE "default",

"fips" VARCHAR(6) COLLATE "default",

"ison" NUMERIC,

"validfr" VARCHAR(12) COLLATE "default",

"validto" VARCHAR(10) COLLATE "default",

"pop2000" NUMERIC,

"sqkm" NUMERIC,

"popsqkm" NUMERIC,

"unregion1" VARCHAR(254) COLLATE "default",

"unregion2" VARCHAR(254) COLLATE "default",

"developing" NUMERIC,

"cis" NUMERIC,

"transition" NUMERIC,

"oecd" NUMERIC,

"wbregion" VARCHAR(254) COLLATE "default",

"wbincome" VARCHAR(254) COLLATE "default",

"wbdebt" VARCHAR(254) COLLATE "default",

"wbother" VARCHAR(254) COLLATE "default",

"ceeac" NUMERIC,

"cemac" NUMERIC,

"ceplg" NUMERIC,

"comesa" NUMERIC,

"eac" NUMERIC,

"ecowas" NUMERIC,

"igad" NUMERIC,

"ioc" NUMERIC,

"mru" NUMERIC,

"sacu" NUMERIC,

"uemoa" NUMERIC,

"uma" NUMERIC,

"palop" NUMERIC,

"parta" NUMERIC,

"cacm" NUMERIC,

"eurasec" NUMERIC,

"agadir" NUMERIC,

"saarc" NUMERIC,

"asean" NUMERIC,

"nafta" NUMERIC,

"gcc" NUMERIC,

"csn" NUMERIC,

"caricom" NUMERIC,

"eu" NUMERIC,

"can" NUMERIC,

"acp" NUMERIC,

"landlocked" NUMERIC,

"aosis" NUMERIC,

"sids" NUMERIC,

"islands" NUMERIC,

"ldc" NUMERIC,

"geom" "public"."geometry",

CONSTRAINT "fra_adm0_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

CREATE TABLE "public"."fra_adm1" (

"gid" int4 DEFAULT NEXTVAL('fra_adm1_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_0" VARCHAR(75) COLLATE "default",

"id_1" int8,

"name_1" VARCHAR(75) COLLATE "default",

"hasc_1" VARCHAR(15) COLLATE "default",

"ccn_1" int8,

"cca_1" VARCHAR(254) COLLATE "default",

"type_1" VARCHAR(50) COLLATE "default",

"engtype_1" VARCHAR(50) COLLATE "default",

"nl_name_1" VARCHAR(50) COLLATE "default",

"varname_1" VARCHAR(150) COLLATE "default",

"geom" "public"."geometry",

CONSTRAINT "fra_adm1_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

CREATE TABLE "public"."fra_adm2" (

"gid" int4 DEFAULT NEXTVAL('fra_adm2_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_0" VARCHAR(75) COLLATE "default",

"id_1" int8,

"name_1" VARCHAR(75) COLLATE "default",

"id_2" int8,

"name_2" VARCHAR(75) COLLATE "default",

"hasc_2" VARCHAR(15) COLLATE "default",

"ccn_2" int8,

"cca_2" VARCHAR(254) COLLATE "default",

"type_2" VARCHAR(50) COLLATE "default",

"engtype_2" VARCHAR(50) COLLATE "default",

"nl_name_2" VARCHAR(75) COLLATE "default",

"varname_2" VARCHAR(150) COLLATE "default",

"geom" "public"."geometry",

CONSTRAINT "fra_adm2_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

CREATE TABLE "public"."fra_adm3" (

"gid" int4 DEFAULT NEXTVAL('fra_adm3_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_0" VARCHAR(75) COLLATE "default",

"id_1" int8,

"name_1" VARCHAR(75) COLLATE "default",

"id_2" int8,

"name_2" VARCHAR(75) COLLATE "default",

"id_3" int8,

"name_3" VARCHAR(75) COLLATE "default",

"ccn_3" int8,

"cca_3" VARCHAR(15) COLLATE "default",

"type_3" VARCHAR(50) COLLATE "default",

"engtype_3" VARCHAR(50) COLLATE "default",

"nl_name_3" VARCHAR(75) COLLATE "default",

"varname_3" VARCHAR(100) COLLATE "default",

"geom" "public"."geometry",

CONSTRAINT "fra_adm3_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

CREATE TABLE "public"."fra_adm4" (

"gid" int4 DEFAULT NEXTVAL('fra_adm4_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_0" VARCHAR(75) COLLATE "default",

"id_1" int8,

"name_1" VARCHAR(75) COLLATE "default",

"id_2" int8,

"name_2" VARCHAR(75) COLLATE "default",

"id_3" int8,

"name_3" VARCHAR(75) COLLATE "default",

"id_4" int8,

"name_4" VARCHAR(100) COLLATE "default",

"varname_4" VARCHAR(100) COLLATE "default",

"ccn_4" int8,

"cca_4" VARCHAR(20) COLLATE "default",

"type_4" VARCHAR(35) COLLATE "default",

"engtype_4" VARCHAR(35) COLLATE "default",

"geom" "public"."geometry",

CONSTRAINT "fra_adm4_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

CREATE TABLE "public"."fra_adm5" (

"gid" int4 DEFAULT NEXTVAL('fra_adm5_gid_seq'::regclass) NOT NULL,

"id_0" int8,

"iso" VARCHAR(3) COLLATE "default",

"name_0" VARCHAR(75) COLLATE "default",

"id_1" int8,

"name_1" VARCHAR(75) COLLATE "default",

"id_2" int8,

"name_2" VARCHAR(75) COLLATE "default",

"id_3" int8,

"name_3" VARCHAR(75) COLLATE "default",

"id_4" int8,

"name_4" VARCHAR(100) COLLATE "default",

"id_5" int8,

"name_5" VARCHAR(75) COLLATE "default",

"ccn_5" int8,

"cca_5" VARCHAR(25) COLLATE "default",

"type_5" VARCHAR(25) COLLATE "default",

"engtype_5" VARCHAR(25) COLLATE "default",

"geom" "public"."geometry",

CONSTRAINT "fra_adm5_pkey" PRIMARY KEY ("gid")

)

WITH (OIDS=FALSE)

;

这个结构数据相当的明显了，adm0基本为国家的基础信息数据，而 adm1~adm5均为下级区，并且下一级的数据包含上一级的数据ID，相对来说结构已经非常直观。主要是默认的层级关系相对分散，不同的国家层级关系不一致，有些结构上的问题可能并没有那么明确。

此时已经导入了728张数据表，接下来就需要对这些数据表进行整理，毕竟这么多表的存在不便于搜索等工作，而且看了一些地区，貌似没有城市，比如美国的数据只支持到县，不太科学的样子，所以数据上的挖掘还有待进一步的处理和发现。

php读取shp数据,对GADM数据shp文件结构的一些分析相关推荐

  1. 【Python】批量爬取OSM建筑瓦片数据并整合为shp格式数据

    目录 1 简介 2 效果展示 3 思路及代码 3 完整代码 4 一些说明 1 简介 最近在做一项课题,涉及到建筑足迹(Building footprints)数据.所以想看看现在比较常用的都有什么产品 ...

  2. GIS数据与CAD数据间带属性字段互相转换还原工具，shp转换成dwg保留属性表字段，解决ArcGIS等软件进行GIS数据转CAD数据无法保留属性字段问题

    目录 一.实现效果 二.shp转dwg工具 1.读取数据 2.数据设置 3.输出数据 4.工具使用 三.dwg转shp工具 1.暴露字段属性,并按字段分隔 2.提取字段信息 3.提取暴露字段 4.输出 ...

  3. Open Street Map 全球城市路网数据下载并转为SHP格式（包含历史道路数据的下载方法）

    一.背景 Open street Map 是一个很好的开源数据获取源,本人正在做关于芝加哥的研究需要用到路网数据,因此需要从Open street Map 下载数据. 二.数据下载方法 1.简单粗暴法 ...

  4. pandas使用read_csv函数读取文件并解析日期数据列（parse dates）、pandas使用read_csv函数读取文件并将缺失值转化为空字符串

    pandas使用read_csv函数读取文件并解析日期数据列(parse dates).pandas使用read_csv函数读取文件并将缺失值转化为空字符串 目录

  5. pandas使用read_csv函数读取文件最后N行数据并保留表头、pandas使用read_csv函数读取网络url链接数据

    pandas使用read_csv函数读取文件最后N行数据并保留表头.pandas使用read_csv函数读取网络url链接数据 目录

  6. pandas读取字典（dict）数据

    pandas读取字典(dict)数据 pandas.DataFrame.from_dict # 默认orient ='columns' # 默认orient ='columns' data = {'c ...

  7. 读取Assets中的文件数据

    首先在assets文件夹中新建一个text.text文件用来读取 读取文件代码如下: import java.io.BufferedReader; import java.io.IOException ...

  8. 亿条数据读取工具_运维数据的统一治理（上）

    据Gartner指出,AIOps自2018年进入技术萌芽期之后,预计会在5-10年内进入需求膨胀期,市场深入率将达到20%的规模.在Gartner的另一份报告中,也同样预测到2022年,40%的大型企 ...

  9. Python读取.edf格式脑电数据文件

    MNE-python读取.edf文件 EDF,全称是 European Data Format,是一种标准文件格式,用于交换和存储医疗时间序列. 该格式文件能够存储多通道的数据,允许每个信号拥有不同的 ...

最新文章

  1. 致远M1移动协同软件
  2. AAAI 2021 | 基于动态混合关系网络的对话式语义解析方法
  3. Vector使用方法简单整理
  4. python标准库os中的方法startfile_如何使用Python 打开exel等各种文件或者应用，就用：os.startfile...
  5. Apizza--特别好用的 Http请求模拟工具 PHP写接口然后测试详细教程
  6. html视频全套教程,用Dreamweaver讲解html全套视频教程分享
  7. C# GDI 手绘图片转化为电子版处理
  8. oracle大数据量查询超时排查
  9. 【Scikit-Learn 中文文档】数据集加载工具 - 用户指南 | ApacheCN
  10. IDEA Diagrams查看类图关系太乱
  11. H3C Cloud Lad安装过程中的兼容性问题
  12. FileUpload文件上传
  13. “PS”制作海报总结（一）
  14. mysql只允许指定ip网段_MySQL允许某个IP网段从远程访问的方法
  15. eigen库疑难杂症大合集
  16. python 二叉树遍历递归非递归_python实现二叉树递归遍历与非递归遍历
  17. EMC设计分析方法与风险评估技术
  18. 如何在ubuntu server中通过ArchiSteamFarm挂卡
  19. 安泰科普：宽带功率放大器原理是什么样的
  20. 人脸识别——2018华中赛数学建模总结整理

热门文章

  1. 遇到求职焦虑怎么处理|X职场
  2. freebsd8.1 adsl虚拟拨号上网设置
  3. Python3调用百度地图API接口获取结构化地址
  4. 电脑重启f12怎么处理_电脑开机出现Del、F9、F12、End四个键，进不了系统，要怎么办?...
  5. eclipse，包的分级显示
  6. .replaceWith（）只能工作一次
  7. 手机端html5 打开文件,H5关于手机本地系统文件的写入、读取及删除
  8. 50道mysql笔试题目及答案_50道SQL练习题及答案与详细分析
  9. EDA大作业——交通灯
  10. 一篇短文学习 MySQL(1)