本教程旨在解决在python web应用中集成交互式地图与后端计算逻辑的挑战。我们将探讨为何直接结合`folium`与基于`input()`的python函数难以实现复杂的web交互，并提供两种主要解决方案：一是利用streamlit或gradio等python-only ui框架快速构建原型，二是采用flask/fastapi作为后端与javascript前端（如leaflet.js）构建功能完善的web应用。文章将详细阐述各方案的实现思路、示例代码及关键注意事项，帮助开发者实现地图点击触发后端计算并获取用户输入的需求。
理解交互式地图与后端逻辑集成的挑战
在Web应用开发中，将前端的用户交互（如地图点击）与后端的业务逻辑（如计算器）紧密结合是一个常见需求。然而，直接将Python的folium库生成的静态HTML地图与包含input()函数进行用户输入的Python脚本结合，在Web环境中是行不通的。
folium的局限性： folium是一个强大的Python库，用于生成基于Leaflet.js的交互式地图HTML文件。它主要侧重于地图数据的可视化，并允许通过Popup添加静态或简单的动态内容。然而，folium本身并不提供与Python后端进行实时、复杂交互的机制，例如在点击地图区域后直接在Python后端触发一个需要用户输入的操作。它生成的HTML是客户端页面，其上的JavaScript代码默认无法直接调用服务器端的Python函数。
input()函数的局限性： Python的input()函数用于从控制台获取用户输入，它是一个阻塞式操作，仅适用于命令行环境。在Web应用中，用户输入是通过浏览器界面（HTML表单、JavaScript提示框等）进行的，而不是通过服务器的控制台。因此，将包含input()的Python函数直接用于Web后端处理用户请求是不合适的。
为了实现地图点击触发后端计算并获取用户输入的目标，我们需要采用更适合Web应用开发的架构和工具。以下是两种主要的方法：
立即学习“Python免费学习笔记（深入）”；
方案一：利用Python-only UI框架快速构建交互应用
对于需要快速原型开发或偏好纯Python环境的场景，Streamlit和Gradio等框架提供了极佳的解决方案。它们抽象了Web开发的复杂性，让开发者能用纯Python代码构建交互式Web应用。
1. Streamlit
Streamlit是一个用于创建数据应用的开源框架。它提供了一系列组件，包括地图、输入框、按钮等，可以轻松地将数据科学模型和交互式界面结合起来。
实现思路：
- 使用Streamlit的地图组件（如st.map或结合pydeck）展示地理数据。
- 通过Streamlit的输入组件（如st.number_input）获取用户输入的“需求”和“投资”值。
- 将地图点击事件（如果Streamlit的地图组件支持）或通过选择框、滑块等方式选择地区，然后将地区信息和用户输入传递给后端计算函数。
示例代码（概念性）：
import streamlit as st
import pandas as pd
import geopandas as gpd
import pulp # 假设 lp 函数已修改为接受参数
# 假设 consts 函数已修改为接受 district_name 并返回 A, B, C
def consts(district_name):
# 模拟从Excel读取数据
data = {
"District A": {"A": 10, "B": 20, "C": 30},
"District B": {"A": 15, "B": 25, "C": 35},
# ... 更多地区数据
}
return data.get(district_name, {"A": 0, "B": 0, "C": 0})
def lp_solver(district_name, demand, investment):
# 原始 lp 函数的修改版本，不再使用 input()
import pulp
model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)
# 获取地区常数
district_consts = consts(district_name)
A = float(district_consts.get("A"))
B = float(district_consts.get("B"))
C = float(district_consts.get("C"))
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C*x_3 <= investment)
status = model.solve()
results = {}
if status == pulp.LpStatusOptimal:
for var in model.variables():
results[var.name] = var.value()
else:
results["status"] = pulp.LpStatus[status]
return results
st.title("莫桑比克地区投资优化器")
# 加载地理数据 (Streamlit的st.map可能需要DataFrame，或者使用st.pydeck_chart)
# 这里假设我们有一个包含地区名称和坐标的DataFrame
# 实际应用中，你需要将GeoDataFrame转换为适合Streamlit地图组件的格式
# 例如，如果使用st.map，需要有'lat'和'lon'列
# df_districts = pd.DataFrame({
# 'district': ['District A', 'District B'],
# 'lat': [-18.6, -19.0],
# 'lon': [35.5, 36.0]
# })
# st.map(df_districts)
# 或者，更常见的是使用下拉选择框来模拟地图点击选择地区
# 假设你从GeoDataFrame中提取了地区列表
# folder_path = r'D:\Trabalho de Licenciatura\New folder\Python\Moz Geo Data\Distritos'
# shapefile_path = folder_path + "\Distritos.shp"
# districts_gdf = gpd.read_file(shapefile_path)
# district_names = districts_gdf['ADM2_PT'].tolist() # 假设 'ADM2_PT' 是地区名称
district_names = ["District A", "District B", "District C"] # 示例地区名称
selected_district = st.selectbox("选择一个地区:", district_names)
st.subheader(f"为 {selected_district} 输入参数:")
demand = st.number_input("输入需求 (Demand):", min_value=0.0, value=100.0)
investment = st.number_input("输入投资 (Investment):", min_value=0.0, value=500.0)
if st.button("运行优化"):
if selected_district:
with st.spinner('正在计算...'):
results = lp_solver(selected_district, demand, investment)
st.success("计算完成！")
st.write("### 优化结果:")
for var_name, value in results.items():
st.write(f"{var_name}: {value:.2f}")
else:
st.warning("请先选择一个地区。")
优点：
- 纯Python开发，无需JavaScript知识。
- 开发速度快，适合快速原型和内部工具。
- 内置丰富的UI组件。
缺点：
- 对前端的控制力相对较弱，定制化程度有限。
- 地图组件的交互性可能不如专业的JavaScript地图库。
- 部署可能需要特定的Streamlit服务器。
2. Gradio
Gradio是另一个用于快速构建机器学习模型Web界面的Python库。它也支持各种输入和输出组件，包括图像、文本和数字。
实现思路： 与Streamlit类似，Gradio也提供组件来构建界面。它有一个gr.Plot组件可以用于展示地图，但更常见的用法是结合下拉框或文本输入来选择地区，然后获取用户输入。
示例代码（概念性）：
import gradio as gr
import pulp
# 假设 consts 函数已修改
def consts(district_name):
data = {
"District A": {"A": 10, "B": 20, "C": 30},
"District B": {"A": 15, "B": 25, "C": 35},
}
return data.get(district_name, {"A": 0, "B": 0, "C": 0})
def lp_solver_gradio(district_name, demand, investment):
# 原始 lp 函数的修改版本
import pulp
model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)
district_consts = consts(district_name)
A = float(district_consts.get("A"))
B = float(district_consts.get("B"))
C = float(district_consts.get("C"))
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C*x_3 <= investment)
status = model.solve()
output_str = ""
if status == pulp.LpStatusOptimal:
output_str += "### 优化结果:\n"
for var in model.variables():
output_str += f"{var.name}: {var.value():.2f}\n"
else:
output_str += f"优化状态: {pulp.LpStatus[status]}\n"
return output_str
# 假设你从GeoDataFrame中提取了地区列表
district_names = ["District A", "District B", "District C"]
iface = gr.Interface(
fn=lp_solver_gradio,
inputs=[
gr.Dropdown(district_names, label="选择地区"),
gr.Number(label="需求 (Demand)", value=100.0),
gr.Number(label="投资 (Investment)", value=500.0)
],
outputs="markdown", # 输出为Markdown格式
title="莫桑比克地区投资优化器 (Gradio)",
description="选择一个地区并输入需求和投资，然后运行线性规划优化。"
)
iface.launch()优点：
- 快速构建交互界面，特别适合机器学习演示。
- 提供多种输入输出组件。
缺点：
- 地图交互性不如专门的地图库。
- 对于复杂的Web应用，功能可能受限。
方案二：构建完整的Web应用（后端+前端）
如果需要高度定制化的界面、更复杂的交互逻辑或生产级的Web应用，推荐使用传统的Web应用架构：Python后端框架（如Flask或FastAPI）处理业务逻辑和数据，配合JavaScript前端框架（如React、Vue、Angular）或纯JavaScript/HTML/CSS处理用户界面和交互。
1. 后端：Flask/FastAPI
Flask和FastAPI是轻量级的Python Web框架，用于构建API服务和Web应用。它们负责接收前端请求、执行Python业务逻辑、与数据库交互，并返回数据给前端。
核心思想：
- 将lp和consts函数封装成API接口。
- 前端通过HTTP请求（GET/POST）将地区、需求、投资等参数发送到后端。
- 后端调用lp函数进行计算，并将结果通过JSON格式返回给前端。
lp和consts函数的改造： 这两个函数需要修改为接受参数而不是使用input()。
# consts 函数改造
import openpyxl
def get_district_constants(district_name):
values = {}
# 假设 Excel 文件路径固定
book = openpyxl.load_workbook(r"D:\Trabalho de Licenciatura\New folder\Python\WebApp\Dados_py.xlsx")
worksheet = book["Dados"]
for row in worksheet.iter_rows(min_row=1, values_only=True):
if row[0] == district_name:
values = {
"A": float(row[1]), # 确保转换为浮点数
"B": float(row[2]),
"C": float(row[3])
}
break # 找到即停止
return values
# lp 函数改造
import pulp
def solve_lp(district_name, demand, investment):
model = pulp.LpProblem(name="Lp", sense=pulp.const.LpMinimize)
constants = get_district_constants(district_name)
if not constants:
return {"error": f"District '{district_name}' not found or constants missing."}
A = constants["A"]
B = constants["B"]
C = constants["C"]
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C*x_3 <= investment)
status = model.solve()
results = {"status": pulp.LpStatus[status]}
if status == pulp.LpStatusOptimal:
for var in model.variables():
results[var.name] = var.value()
return results
Flask后端示例：
from flask import Flask, request, jsonify, render_template
from flask_cors import CORS # 处理跨域请求
app = Flask(__name__)
CORS(app) # 允许所有来源的跨域请求，生产环境请限制
# 假设 get_district_constants 和 solve_lp 函数已定义在同一文件或导入
# from .your_module import get_district_constants, solve_lp
@app.route('/')
def index():
# 返回一个包含地图和表单的HTML页面
# 可以在这里生成 folium 地图并嵌入到模板中
# 或者直接加载一个预先生成的 folium HTML 文件
# map_html = create_map_html() # 假设 create_map_html() 返回 folium 生成的HTML字符串
# return render_template('index.html', map_content=map_html)
return render_template('index.html') # 假设 index.html 包含一个 div 用于加载地图
@app.route('/calculate', methods=['POST'])
def calculate():
data = request.get_json() # 获取前端发送的JSON数据
district = data.get('district')
demand = data.get('demand')
investment = data.get('investment')
if not all([district, demand is not None, investment is not None]):
return jsonify({"error": "Missing parameters"}), 400
try:
demand = float(demand)
investment = float(investment)
result = solve_lp(district, demand, investment)
return jsonify(result)
except ValueError:
return jsonify({"error": "Invalid demand or investment values"}), 400
except Exception as e:
return jsonify({"error": str(e)}), 500
if __name__ == '__main__':
app.run(debug=True)
templates/index.html 示例：
<!DOCTYPE html>
<html>
<head>
<title>莫桑比克地图优化器</title>
<link rel="stylesheet" href="https://unpkg.com/leaflet@1.7.1/dist/leaflet.css" />
<script src="https://unpkg.com/leaflet@1.7.1/dist/leaflet.js"></script>
<style>
#map { height: 600px; width: 100%; }
.popup-content { font-family: sans-serif; }
.input-form { margin-top: 20px; padding: 15px; border: 1px solid #ccc; border-radius: 5px; }
.result-display { margin-top: 20px; padding: 15px; border: 1px solid #eee; background-color: #f9f9f9; border-radius: 5px; }
</style>
</head>
<body>
<h1>莫桑比克地区投资优化</h1>
<div id="map"></div>
<div class="input-form" id="inputForm" style="display: none;">
<h2>为 <span id="selectedDistrictName"></span> 地区输入参数</h2>
<label for="demand">需求 (Demand):</label>
<input type="number" id="demand" value="100" step="0.1"><br><br>
<label for="investment">投资 (Investment):</label>
<input type="number" id="investment" value="500" step="0.1"><br><br>
<button onclick="submitCalculation()">运行优化</button>
</div>
<div class="result-display" id="resultDisplay" style="display 
