动手开发一个滴滴出行，是的，你没有看错！

/   今日科技快讯   /

“李彦宏泼水”事件后续一一据平安朝阳官微消息，2019年7月3日11时许，朝阳分局奥园派出所接到百度公司工作人员报警称，一男子扰乱其公司活动现场秩序。警方接到报警后，依法开展调查，目前已对嫌疑人程某某寻衅滋事的行为处以行政拘留5日的处罚。

/   作者简介   /

明天就是周六啦，提前祝大家周末愉快！

本篇文章来自谭妥的投稿，和大家分享了独立开发的仿滴滴打车的Android出行项目，相信会对大家有所帮助！同时也感谢作者贡献的精彩文章。

谭妥的博客地址：

https://blog.csdn.net/weixin_37734988

/   前言   /

这是我自己做的一个仿滴滴打车的Android出行项目，主要针对滴滴等出行平台一直饱受质疑的“人车不符”问题，以及当前越发火热的国际化和出海战略，给出行项目增加了下面几个功能：

1. RFID识别验证功能：在司机证件或者车内识别硬件里嵌入RFID识别芯片，乘客使用手机读取到芯片信息，并且通过网络（okhttp3）发送到出行平台数据库进行验证（我用NDK加了一个C语言的MD5加密算法对识别到的信息进行了加密）。

如果不是合规的“人”或“车”，则不能完成订单并向平台或监管单位汇报当前位置。（为了方便读者测试，可以使用手机读取任何一个加密或非加密RFID芯片，比如银行卡、公交卡等，我在代码中的验证前阶段把芯片信息都换成我自己的司机信息，确保读者测试时可以收到服务器的回复）

2. 海外版功能：点击切换当前语言。

3. 司机证件号码识别功能：读取司机证件上的证件号码，也可以用来与出行平台数据库的信息进行核实比对。

项目代码都是一行一行自己敲的，在多部手机上调试过确保各项功能能够顺畅运行。GitHub的源码中保留了所有的手机CPU指令集架构，保证在所有手机上能够运行成功。觉得包太大的同学可以自己把不需要的 .so 指令集删掉，主要是做识别的 OpenCV4Android.so 包比较大，其次是百度地图的包。

地图我使用的是百度地图LBS 版本5.3，海外的话考虑到信息数据多少、性能、包大小、数据源等多方面因素推荐使用mapbox。感兴趣的读者可以看Trinea 的这篇文章：

https://blog.csdn.net/weixin_37734988/article/details/92852349

文章发布以后得到《滴滴国际化项目 Android 端演进》作者滴滴公司技术专家Trinea @trinea 的提点, 告诉我要特别根据海外版的应用场景认真分析国外几款 Map 服务的各项优劣，比较Google地图、 mapbox 、Nutiteq 等，非常感谢。我后面会单独写几篇关于 mapbox使用的文章并且分享出来

开发环境

1. Android端：Android Studio 版本3.4， 百度地图LBS 版本5.3 , OpenCV4Android 版本3.2

2. 服务器端：Apache + PHP + MySQL 用的是我自己租的腾讯云主机做服务器，我会一直开放出这个项目的接口，接受并处理读者发来的测试请求。

/   项目详解   /

主界面概览

界面最上面TitleBar 的位置是主要的功能区，除了中间的醒目logo，两侧分布主要功能选项，最左边的SlidingMenu提供侧滑菜单，给乘客个人信息和软件设置提供入口，右边的证件标志按钮用于导向司机证件号码识别功能，再右边的英语标志按钮是国际化语言切换，最右边的无线标志是RFID识别认证功能的入口。

主界面的中间部分是地图区域，可以在上边选择不同交通工具，用于展示乘客所在位置，附近车辆或者POI热点，以及路径规划。

主界面的下方可以提供上划菜单，主要用于上车和目的地地址关键字输入，以及安全提示信息或者广告的入口。

项目文件结构

首先介绍一下项目文件结构，方便读者阅读代码：

包名：com.tantuo.didicar

• Activity 文件夹：有的Activity 相对独立，并不属于某个功能模块，可以放到这个文件夹。

• adapter 文件夹：相对复杂一点的adapter会从类文件中取出单独保存到 adapter文件夹，比如左侧侧滑菜单中 recycler view的adapter。简单一点的adapter还是会保存在调用的类中。

• Bean 文件夹：存放Entity 实体类，比如司机的相关信息会包装成一个DriverBean，每个司机都是一个类对象，使用Gson 传递很方便，用的时候get,set 就可以。

• DriverLicenseNFC 文件夹：RFID识别验证模块，乘客使用这个功能模块验证司机身份或者车辆信息。

• DriverLicenseRecognition 文件夹：司机证件号码OCR识别的功能模块。

• splash 文件夹：app 初始化和引导界面。

• TabFragment：主界面上方的滑动主题条用来切换交通工具或者服务项目（Tab），不同的交通工具或者服务项目代码都保存在TabFragment 文件夹里。

• utils 文件夹：用来保存项目用到的各种工具类，比如DriverRouteOverlay 用来在地图上渲染规划出来的驾车路线，MD5JniUtils 用NDK调用MD5加密算法，保护RFID芯片信息，NfcUtils 用来管理手机的NFC功能，POIOverlay 用来在地图上渲染周围兴趣点(POI)。

把工具类从Activity 或者 Fragment 中extract 出来放到统一的utils 文件夹，会让你的代码更清晰，可读性更强。

引导界面

先看下真机上的效果：

引导界面最初的logo动画是用我自己用SVG矢量动画做的，路径规划描述在 drawable 的splash_logo.xml 文件里：

还需要资源文件里的animator文件夹下的didi_logo_animator.xml 对路径进行动画描述：

这几秒的时间里可以在下图的位置添加一些初始化代码，比如网络请求，得到后续Activity的素材，地理位置等等。

出行界面

通过滑动地图界面上方的主题可以切换不同的项目界面。

滑动主题条是一个ViewPager的 Indicator，每一个主题对应一个下面的服务项目，放在各自独立的ViewPager里。每个服务项目有各自独立的上划菜单，作为此服务对应的地址关键字输入或者相关信息入口。

出行界面的UI结构：

注意：乘客的位置信息、当前经纬度、当前街道名字、楼宇名字都是在MainAcitivity做为静态成员变量定义的，原因是在别的Acitivity或者类中，这些变量需要经常使用，直接调用 MainActivity.CurrentLocation就可以了，后面用到的所有当前位置，都是在MainActivity中 MyLocationListener 类得到的。

上车地址和目的地址的路线规划

不同交通工具（快车，出租车，单车，公交车等等）对应的服务项目都嵌在TItleBar下边的 VIewpager里，一个服务项目对应一个独立的Fragmen文件，由其顶部的的VIewpagerIndicator滑动切换。

服务项目的主要代码在com.tantuo.didicar 包下 TabFragment 文件夹里。

底部上滑动菜单

buttonsheet是在布局文件中加入android.support.v4.widget.NestedScrollView类的 app:layout_behavior="@string/bottom_sheet_behavior"

左侧侧滑菜单

左侧侧滑菜单可以作为个人信息、安全提示、设置信息的入口

司机证件的号码OCR识别功能

证件号码识别功能的主要代码在com.tantuo.didicar 包下的 DriverLicenseRecognition 模块。

还是先看下真机效果：

点击进入司机证件号码识别功能以后，可以选择对证件拍照，为了方便演示，这里是从手机相册选择刚刚拍的照片。

同时为了方便读者测试这个功能，我把照片保存在了开发包的asset文件夹里面，这样读者下载我保存在Github上https://github.com/18601949127 的版本，点击选择司机证件以后调用的是我保存在assets 文件夹里的司机证件照片，也就是下面图片里的 getDriverLicenseFromMySample() 方法，可以立刻进行测试。

想继续从手机相册读取的读者可以执行LicenseMainActivity 下的 LicenseMainActivity 方法。

注意：在程序中，想要在运行中读取司机证件照片，要把照片保存在assets 文件夹下面，使用AssetManager 类读取，而不能试图调取drawable 文件夹下面的照片，因为 \res 文件夹下的资源文件都会被编译到apk里面去，并同时赋予资源 id。感兴趣的同学可以看下代码里面的 copyFilesFassets（）方法。

这里用我以前在国外读书时候的证件作为例子：

1. 首先：要从照片中找到司机证件区域，也就是上证件边缘红色的区域

    /**
     * 找到图像中的证件区域
     * 在RGB色彩空间求取驾驶员证件的图像梯度，之后在此图像上做二值化，从而通过轮廓（contour）发现与面积大小过滤得到证件区域
     * author:Tantuo 86-1860194917
     * @param fileUri
     * @return
     */
    public Mat findLicenseContour(Uri fileUri) {

        //首先使用openCV 的 Imgcodecs类得到相机获取的证件图片
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if (src.empty()) {
            return null;
        }

        //得到证件照片的x梯度和y梯度
        Mat grad_x = new Mat();
        Mat grad_y = new Mat();
        Mat abs_grad_x = new Mat();
        Mat abs_grad_y = new Mat();

        //注意求梯度的时候我们使用的是Scharr算法，sofia算法容易收到图像细节的干扰
        //所谓梯度运算就是对图像中的像素点进行就导数运算，从而得到相邻两个像素点的差异值 by:Tantuo
        Imgproc.Scharr(src, grad_x, CvType.CV_32F, 1, 0);
        Imgproc.Scharr(src, grad_y, CvType.CV_32F, 0, 1);
        //openCV中有32位浮点数的CvType用于保存可能是负值的像素数据值
        Core.convertScaleAbs(grad_x, abs_grad_x);
        Core.convertScaleAbs(grad_y, abs_grad_y);
        //openCV中使用release()释放Mat类图像，使用recycle()释放BitMap类图像
        grad_x.release();
        grad_y.release();


        //使用openCV的Core.addWeighted方法将x梯度和y梯度合并成一个梯度图像
        Mat grad = new Mat();
        Core.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);
        abs_grad_x.release();
        abs_grad_y.release();

        //得到梯度图像以后将其二值化，以便更清晰地找到轮廓边缘
        //Imgproc.cvtColor方法将梯度图像转换成binary gray灰度图像
        Mat binary = new Mat();
        Imgproc.cvtColor(grad, binary, Imgproc.COLOR_BGR2GRAY);
        //手动阈值化，threshould阈值定为40
        Imgproc.threshold(binary, binary, 40, 255, Imgproc.THRESH_BINARY);
        grad.release();

        //下面对二值图像进行形态学（morphology excution）的去噪声操作，先得到大小为 3*3像素的结构元素
        Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3));
        //然后对结构元素进行 Morph_open开操作。 腐蚀：去除噪声-膨胀：覆盖去除的噪声点
        Imgproc.morphologyEx(binary, binary, Imgproc.MORPH_OPEN, kernel);


        //接下来使用openCV的Imgproc.findContours()方法，在图像中寻找驾驶员证件的轮廓 contour roi
        List<MatOfPoint> contours = new ArrayList<>();
        Mat hierarchy = new Mat();
        Imgproc.findContours(binary, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE, new Point(0, 0));
        int hw = binary.cols() / 2;
        int hh = binary.rows() / 2;
        Rect roi = new Rect();
        for (int i = 0; i < contours.size(); i++) {
            Rect rect = Imgproc.boundingRect(contours.get(i));
            //如果发现某一个 roi兴趣区域的轮廓宽度超过图片的一半，即可以认为这个轮廓是驾驶员证件的轮廓 contour
            if (rect.width > hw) {
                roi.x = rect.x;
                roi.y = rect.y;
                roi.width = rect.width;
                roi.height = rect.height;
                break;
            }
        }

        //没找到就返回
        if (roi.width == 0 || roi.height == 0) {
            return null;
        }

        //找到证件轮廓区域就将其拷贝到card图片中
        Mat card = new Mat();
        src.submat(roi).copyTo(card);

        //拷贝完成以后记得释放资源0
        src.release();
        binary.release();
        return card;
    }

第一步先调用Imgproc.Scharr（）方法对司机证件的原始照片进行Scharr梯度运算，所谓梯度运算就是对图像中的像素点进行导数运算，从而得到相邻两个像素点的差异值，像素差异大的地方就是图像内轮廓contour，第二步在此图像上做二值化Binarization，调用 Imgproc.morphologyEx（）方法，通过轮廓（contour）发现与面积大小过滤得到证件区域。

边缘发现以后调用Imgproc.cvtColor()方法得到下面的证件区域：

2. 识别到证件区域以后我们注意到证件左上角有一个比较醒目的矩形，我们用它作为reference识别到照片下方包含数字的号码区域。在程序中这个过程调用下面的 findCardNumBlock(Mat card) 方法。

    public Mat findCardNumBlock(Mat card) {
        //首先初始化HSV色彩空间（H：hue色相,S:saturation饱和度,V:value明度，亮度）
        Mat hsv = new Mat();
        Mat binary = new Mat();

        //从RGB色彩空间转换到hsv色彩空间，使用openCV的 Imgproc函数：Imgproc.COLOR_BGR2HSV
        Imgproc.cvtColor(card, hsv, Imgproc.COLOR_BGR2HSV);
        //inRange函数将hsv彩色图片的根阈值进行过滤,用来过滤掉对识别左上角标志区域帮助不大的颜色
        //并且把滤出的图像保存到 binary里面
        // Scalar（）是具有三个参数的结构体，三个参数代表 hsv的色相，饱和度，亮度值

        Core.inRange(hsv, new Scalar(30, 40, 45), new Scalar(180, 255, 255), binary);

        //以上会得到一个驾驶员证件的二值化图像，但是噪声比较多
        //下面对二值话图像进行形态学的开操作（morphology excution）,去除小的 5*5大小的结构元素（噪声）
        Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(5, 5));
        Imgproc.morphologyEx(binary, binary, Imgproc.MORPH_OPEN, kernel);//去除噪声


        //获取证件标志的轮廓（contours）
        List<MatOfPoint> contours = new ArrayList<>();
        Mat hierarchy = new Mat();
        Imgproc.findContours(binary, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE, new Point(0, 0));

        int offsetx = binary.cols() / 3;
        int offsety = binary.rows() / 3;
        Rect numberROI = new Rect();

        //对每个ROI寻找外接矩形 contourArea
        for (int i = 0; i < contours.size(); i++) {
            Rect roi = Imgproc.boundingRect(contours.get(i));

            //对于识别出来的矩形区域如果太小（面积小于200像素）则忽略
            if (Imgproc.contourArea(contours.get(i)) < 200) {
                continue;
            }
            //找到标志区域以后，以标志区域为基准，证件号码的位置在标志x坐标 *2 左右，宽度大概在 binary.cols() - roi.x - 100像素
            //证件号码的高度大概是证件标志（基准）的0.7倍 height*0.7 ;
            //如果找到的左上角标志物的轮廓长宽都小于证件的三分之一，则以此标志物作为标准定为号码区域
            if (roi.x < offsetx && roi.y < offsety) {
                numberROI.x = 3* roi.x + 120;
                numberROI.y = roi.y + 4 * roi.height - 65;
                numberROI.width = binary.cols() - roi.x - 390;
                numberROI.height = (int) (roi.height * 0.9);
                break;
            }
        }

        //如果没有找到就返回null
        if (numberROI.width == 0 || numberROI.height == 0) {
            return null;
        }

        //得到证件号码的区域以后就可以截取下来保存到 textimage
        Mat textImage = new Mat();
        card.submat(numberROI).copyTo(textImage);
        //拷贝完成以后记得释放release mat资源
        card.release();
        hsv.release();
        binary.release();
        return textImage;
    }

同样还是先把图像从RGB色彩空间转换成HSV色彩空间，调用OpenCV的 Imgproc类生成一个 Imgproc.COLOR_BGR2HSV 对象。

Imgproc.cvtColor(card, hsv, Imgproc.COLOR_BGR2HSV);

之后调用下面的Core.inRange()方法得到一个hsv颜色在new Scalar(30, 40, 45)范围内的区域，也就是左上角的reference 矩形。

Core.inRange(hsv, new Scalar(30, 40, 45), new Scalar(180, 255, 255), binary);

下一步还是形态学操作去噪声。噪声就是二值化图像里面识别出来的一个个小的黑点，形态学的开操作（morphology excution）会把图像中这些小小的黑点用旁边的大区域颜色覆盖掉，目的是为了让处理后的图像更加容易被机器识别。

比如下面的代码调用OpenCV的Imgproc.morphologyEx()方法可以把大小为 5*5的结构元素（噪声）用周边像素弥补掉

//下面对二值话图像进行形态学的开操作（morphology excution）,去除小的 5*5大小的结构元素（噪声）
Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(5, 5));
Imgproc.morphologyEx(binary, binary, Imgproc.MORPH_OPEN, kernel);//去除噪声

噪声处理以后开始寻找证件区域内的号码区域 Contour做轮廓发现操作：

//对每个ROI寻找外接矩形 contourArea
for (int i = 0; i < contours.size(); i++) {
    Rect roi = Imgproc.boundingRect(contours.get(i));

    //对于识别出来的矩形区域如果太小（面积小于200像素）则忽略
    if (Imgproc.contourArea(contours.get(i)) < 200) {
        continue;
    }
    //找到标志区域以后，以标志区域为基准，证件号码的位置在标志x坐标 *2 左右，宽度大概在 binary.cols() - roi.x - 100像素
    //证件号码的高度大概是证件标志（基准）的0.7倍 height*0.7 ;
    //如果找到的左上角标志物的轮廓长宽都小于证件的三分之一，则以此标志物作为标准定为号码区域
    if (roi.x < offsetx && roi.y < offsety) {
        numberROI.x = 3* roi.x + 120;
        numberROI.y = roi.y + 4 * roi.height - 65;
        numberROI.width = binary.cols() - roi.x - 390;
        numberROI.height = (int) (roi.height * 0.9);
        break;
    }
}

得到证件号码的区域以后就可以截取下来保存到 textimage

Mat textImage = new Mat();
card.submat(numberROI).copyTo(textImage);

拷贝完成以后记得释放release mat资源

card.release();
hsv.release();
binary.release();
return textImage;

完成以上工作以后可以识别到证件号码区域的矩形轮廓：

识别出了证件中的号码区域，后面就调用 DigitImageProcessor 类对这些数字进行识别，这个过程需要我单独在另外一篇文章介绍，下面仅仅对几个重要方法的功能作介绍：

splitNumberBlock(Mat textImage)方法使用二值化方法识别数字区域里的字符轮廓。

getSplitLinePos(Mat mtexts) 方法用来对图像中有两个数字粘结起来的情况做分离。

extractFeatureData(Mat txtImage) 方法的作用是证件卡号识别的特征提取，获取卡号每个数字的黑色像素点特征，作为每个号码的特征和识别的重要依据。

dumpFeature(float[] fv, int textNum) 方法将生成的特征文本文件保存在手机。

readFeatureVector(File f) 用来读取保存的特征向量。

recognitionChar(Mat charImage) 用来根据特征向量对证件号码进行识别。

RFID识别验证功能

RIFD识别验证功能的主要代码在com.tantuo.didicar 包下的DriverLIcenseNFC模块里：

还是先看下真机效果：

点击右上角的RFID验证入口以后，会提示乘客使用手机背面像刷公交卡那样感应RFID硬件，比如嵌入芯片的司机证件、固定在车上识别器等。

注意：某个Activity 要想能够在当前栈顶接收RFID芯片号码，必须在 Manifest.xml 文件中设置intent-filter 拦截TAG_DISCOVERED的Action，这样这个Activity 才能捕获RFID标签信息。并且设置LunchMode 为SingleTop，确保再次捕获RFID标签信息（TAG_DISCOVERED）的时候，始终由处于栈顶的这个Activity 来处理，而不是把他压入栈，调取新的DriverRFIDMainActivity作栈顶。

有疑惑的同学可以看下 Activity 启动模式和栈管理的相关文章《彻底明白Activity启动模式-SingleTop、SingleTask、SingleInstance具体使用场景》：

https://blog.csdn.net/weixin_37734988/article/details/93508139

考虑到用户的手机可能有多个APP或者Activity 可以拦截RFID或者 NFC 芯片信息，所以需要给处于当前栈顶的 DriverRFIDMainActivity 设置前台分发系 enableForegroundDispatch ，可以确保检测到RFID标签时，此活动拥有最高的捕获优先权，而不是由Android Activity 调度机制调出新的有拦截权限的活动。

    @Override
    protected void onResume() {
        super.onResume();
        // 前台分发系统,用于确保检测RFID标签时拥有最高的捕获优先权.
        NfcUtils.mNfcAdapter.enableForegroundDispatch(this, NfcUtils.mPendingIntent, NfcUtils.mIntentFilter, NfcUtils.mTechList);
    }


    @Override
    protected void onPause() {
        super.onPause();
        //关闭前台调度系统
        NfcUtils.mNfcAdapter.disableForegroundDispatch(this);
    }

手机读取芯片ID这个功能的代码我单独放到NfcUtils工具类里，在utils 文件夹下。

手机读取到芯片信息，会调用NDK编译成C语言的MD5加密算法so 文件（文章最后会讲），连同当时的地理位置经纬度一起发送给平台服务器（我用的 OkHttp3 ），与数据库中注册司机的信息进行比对，并将验证结果和司机信息发送给乘客：

服务器端用的是我自己的腾讯云主机 + Apache + PHP+ MySQL ， 会一直开放出这个项目的网络接口并持续维护，方便读者测试这个功能。读者只要在验证环节使用手机读取任何一个嵌有RFID加密芯片比如学生证、银行卡、公交卡，程序在发送数据请求之前（下图代码中第二行高亮的部分）都会把读取到的ID信息换成作者本人的，再发送给平台服务器服务器做验证，这样读者测试时使用手机读取任何RFID信息都会接收到从服务器发回来的司机信息。实际项目中把这一行注释掉即可。

服务器端收到乘客发送过来的验证请求以后，会对比平台司机数据库进行核实，并把核实结果和对应司机、车辆信息发回给乘客。

下面就是平台服务器端注册司机的注册信息数据库，我用Navicat 做了部分截图，第一行红色部分就是平台验证的结果，也就是作者本人的信息。

服务器端还会对乘客发送过来的数据进行整理和分析，也可以将“人车不符”数据和位置信息发送给合规部门。

下图是“人车不符”情况发生的地区热力图：

还可以根据乘客的叫车时间，筛选出高峰时段的用车需求热力图，给司机调度部门提供数据支持。

对服务器端的打车数据进行分析，还可以生成非常漂亮的24小时动态热力图、星云图、蝌蚪迁移图，感兴趣的读者可以研究下Python 、Pandas 、MatplotLib，可以快捷地处理服务器端数据，生成可视化图表。

使用NDK调用MD5加密算法

前面提到项目中会把ID号码使用C语言的MD5算法进行加密，关键代码在下图中的cpp 文件夹。

图中 NDK Components 组件提供了一整套编译C语言动态库（.so ）和打包的工具，可以把 *.so 动态库打包到apk中。

下面的MD5.h 和 MD5.cpp 文件分别是C语言写的算法类头文件和源文件。头文件用来声明源文件要用到的变量、类型、宏定义，源文件则用来描述方法和具体实现，里面会有一个#include "MD5.h" 把头文件导入进来。两者的关系有点像书的目录和内容的关系，目录是对章节和内容进行简单表示，真正的实现实在书里面的。

上图中MD5 C语言文件下面还有一个native-lib.cpp 文件，是NDK 在 Android studio 里帮助我们生成的。它可以认为是Java方法调用C语言方法的桥梁。

下面的图可以看到 native-lib 是如何帮助 MD5JniUtils 类的 getMd5 () 方法调用 C语言加密方法的，JNIEXPORT 和 JNICALL 两个宏用来标识函数用途是调用.so 库

就好像 C++可以调用 .dll 动态链接库一样，后面紧跟的是函数名，命名规则很重要：Java_ + 包名 + 调用这个加密算法的Java工具类名 + Java调用方法 ，后面的变量参数是Java中String类型对应的JNI jstring类型，下面在方法体中，就可以使用对传入的加密前字符串进行加密的C语言运算了，并把加密完成的 jstring类型结果返回给java层。

/   结语   /

整个项目就大概介绍完了，欢迎读者转载和提问，我看到会尽快回复，如果读者能想到更加实用的功能，我会更新GitHub上的源码加上新的功能。

我也会尽快抽时间把百度地图换成海外版地图MapBox ，并且把实现步骤详细写在另外一篇文章。

项目地址

https://github.com/18601949127/DiDiCallCar

推荐阅读：

欢迎关注我的公众号

学习技术或投稿

长按上图，识别图中二维码即可关注