GeoHash实现附近的人功能(如微信附近的人、共享单车附近的车辆、美团附近的商家)

如何查找当前点（118.818747°E，32.074497°N）附近500米的人？
这一类功能很常见（如微信附近的人、共享单车附近的车辆、美团附近的商家），那在java中是如何实
现的呢？

1 实现方式

目前普遍的实现方式有三种，下面将依次展开讨论：

Mysql+外接正方形
Mysql+geohash
Redis+geohash

2 Mysql+外接正方形

2.1 实现思路

查找附近500米的人，就是以当前坐标点为圆心，以500米为半径画圆，找出圆内的人。
理论上可以直接计算数据库所有点与圆心的距离，与500米比较。但计算地球上两点距离公式复
杂，一旦数据库数据过多，计算起来就更麻烦了。
我们可以通过外接正方形的方式来解决这个问题。这样一来，计算量骤减。 [注：设定下图圆心在北
半球，东半球]

于是：实现附近的人功能实现分为：
① 计算外切正方形最大最小经纬度
② 查询在正方形范围内的数据
③ 过滤得到圆周内的点，即用正方形范围内的点-黄色区域的点（距离超过给定范围500米）

2.2 数据库准备

2.3 代码实现

获取外切正方形最大最小经纬度有两种方法，可以自己实现，也可用开源库实现。
①自己实现 getGpsRange 方法
此方法用到了半矢量公式，以下计算推导过程可参考https://www.jianshu.com/p/ed6ea376911e

/**
* 获取附近x米的人
* *
@param distance 距离范围 单位km
* @param userLng 当前经度
* @param userLat 当前纬度
* @return
*/
public List<User> nearBySearch1(double distance, double userLng, double userLat)
{
//1 获取外切正方形最大最小经纬度
double[] point = getGpsRange(userLng, userLat, distance);
//2 获取位置在正方形内的所有用户
// 查询数据库操作，这里用mybatis plus实现
List<User> users = list(Wrappers.
<User>lambdaQuery().ge(User::getUserLongitude,
point[0]).lt(User::getUserLongitude, point[1]).ge(User::getUserLatitude,
point[2]).lt(User::getUserLatitude, point[3]));
//3 过滤掉超过指定距离的用户
users = users.stream().filter(a -> getDistance(a.getUserLongitude(),
a.getUserLatitude(), userLng, userLat) <= distance)
.collect(Collectors.toList());
return users;
}
/**
* 查询出某个范围内的最大经纬度和最小经纬度
* 自己计算
* *
@param longitude 当前位置经度
* @param latitude 当前位置纬度
* @param rangeDis 距离范围，单位km
* @return
*/
public static double[] getGpsRange(double longitude, double latitude, double
rangeDis) {
//半矢量公式，与圆心在同纬度上，且在圆周上的点到圆点的经度差
double dlng = 2 * Math.asin(Math.sin(rangeDis / (2 * EARTH_RADIUS)) /
Math.cos(latitude * Math.PI / 180));
//弧度转为角度
dlng = dlng * 180 / Math.PI;
//半矢量公式，与圆心在同经度上，且在圆周上的点到圆点的纬度差
//弧度转为角度
double dlat = rangeDis / EARTH_RADIUS;
dlat = dlat * 180 / Math.PI;
②也可用开运库计算外接正方形坐标范围
double minlng = longitude - dlng;
double maxlng = longitude + dlng;
double minlat = latitude - dlat;
double maxlat = latitude + dlat;
return new double[]{minlng, maxlng, minlat, maxlat};
}
/**
* 根据地球上任意两点的经纬度计算两点间的距离（半矢量公式）,返回距离单位：km
* *
@param longitude1 坐标1 经度
* @param latitude1 坐标1 纬度
* @param longitude2 坐标2 经度
* @param latitude2 坐标2 纬度
* @return 返回km
*/
public static double getDistance(double longitude1, double latitude1, double
longitude2, double latitude2) {
double radLat1 = Math.toDegrees(latitude1);
double radLat2 = Math.toDegrees(latitude2);
double a = radLat1 - radLat2;
double b = Math.toDegrees(longitude1) - Math.toDegrees(longitude2);
double distance = 2 * Math.asin(Math.sqrt(Math.pow(Math.sin(a / 2), 2) +
Math.cos(radLat1) * Math.cos(radLat2) * Math.pow(Math.sin(b /
2), 2)));
distance = distance * EARTH_RADIUS;
distance = Math.round(distance * 10000) / 10000.0;
return distance;
}

也可以使用开源库计算外接正方形坐标范围

<dependency>
<groupId>com.spatial4j</groupId>
<artifactId>spatial4j</artifactId>
<version>0.5</version>
</dependency>

private SpatialContext spatialContext = SpatialContext.GEO;
/**
* 获取附近x米的人
* *
@param distance 距离范围 单位km
* @param userLng 当前经度
* @param userLat 当前纬度
* @return
*/
public List<User> nearBySearch(double distance, double userLng, double userLat)
{
//1 获取外切正方形最大最小经纬度
Rectangle rectangle = getRectangle(distance, userLng, userLat);
//2.获取位置在正方形内的所有用户
// 查询数据库操作，这里用mybatis plus实现3 Mysql+geohash
第二种实现方式引入了 geohash 。
GeoHash是一种地址编码方法。他能够把二维的空间经纬度数据编码成一个字符串。
3.1 geohash算法
3.1.1 geohash算法思想
List<User> users = list(Wrappers.
<User>lambdaQuery().ge(User::getUserLongitude,
rectangle.getMinX()).lt(User::getUserLongitude,
rectangle.getMaxX()).ge(User::getUserLatitude,
rectangle.getMinY()).lt(User::getUserLatitude, rectangle.getMaxY()));
//3.剔除半径超过指定距离的多余用户
users = users.stream().filter(a -> getDistance(a.getUserLongitude(),
a.getUserLatitude(), userLng, userLat) <= distance)
.collect(Collectors.toList());
return users;
} /
**
* 利用开源库计算外接正方形坐标
* *
@param distance
* @param userLng 当前经度
* @param userLat 当前纬度
* @return
*/
private Rectangle getRectangle(double distance, double userLng, double
userLat) {
return spatialContext.getDistCalc()
.calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat),
distance * DistanceUtils.KM_TO_DEG, spatialContext,
null);
}
/***
* 球面中，两点间的距离（第三方库方法）
* *
@param longitude 经度1
* @param latitude 纬度1
* @param userLng 经度2
* @param userLat 纬度2
* @return 返回距离，单位km
*/
public double getDistance(Double longitude, Double latitude, double userLng,
double userLat) {
return spatialContext.calcDistance(spatialContext.makePoint(userLng,
userLat),
spatialContext.makePoint(longitude, latitude)) *
DistanceUtils.DEG_TO_KM;
}

3 Mysql+geohash

第二种实现方式引入了 geohash 。
GeoHash是一种地址编码方法。他能够把二维的空间经纬度数据编码成一个字符串。

3.1 geohash算法

3.1.1 geohash算法思想

将地球球面沿着180°经线分开，平铺到平面上。
0°经线和0°纬线将此平面划分为四部分。设定西经为负，南纬为负，地球上的经度范围就是
[-180°,180°]，纬度范围就是[-90°,90°]。
如果纬度范围[-90°, 0°)用二进制0代表，（0°, 90°]用二进制1代表，经度范围[-180°, 0°)用二进制0
代表，（0°, 180°]用二进制1代表，那么划分出的四部分用二进制表示为：

如果再对此递归对半划分呢？

geohash算法就是基于这种思想，划分的次数越多，区域越多，区域面积越小。

3.1.2 geohash算法编码经纬度

geohash算法将经纬度编码分为三步：
①将经纬度变成二进制
以点（118.818747，32.074497）为例。
纬度的范围是（-90，90），以其中间值0将此范围划分为两个区间（-90,0）和(0,90)，若给定的纬
度在左区间（-90,0），则为0；若给定的纬度在右区间(0,90)，则为1；纬度32.074497在右区间，因此
为1。
再将（0,90）这个区间以中间值划分为左右区间，按照以上方法判定为1还是0。
依此方法，可得到纬度的二进制表示，如下表：

纬度范围	划分的左区间	划分的右区间	纬度32.074497的二进制表示
（-90，90）	（-90，0）	（0，90）	1
（0，90）	（0，45）	（45，90）	0
（0，45）	（0，22.5）	（22.5，45）	1
（22.5，45）	（22.5，33.75）	（33.75，45）	0

\| （22.5，33.75）\| （22.5，28.125） \| \| …… \| …… \| …… \| …… \|	（28.125，33.75） \|1\|

划分10次后，得到的纬度二进制表示为 10101 10110
同样的方法，可得到划分9次后经度二进制表示为 110101
②将经纬度合并
合并方法：经度占偶数位，纬度占奇数位
经纬度合并结果为 11100 11001 11000 10110
③按照Base32进行编码
将②的结果用Base32编码得到字符串 wtsq 。也就是说点（118.818747，32.074497）可用wtsq
表示。

GeoHash字符串越长，表示的位置越精确，字符串长度越长代表在距离上的误差越小。具体
的不同精度的距离误差可参考下表：

GeoHash值表示的并不是一个点，而是一个矩形区域。
Geohash比直接用经纬度的高效很多，而且使用者可以发布地址编码，既能表明自己所在区域，又不至于暴露自己的精确坐标，有助于隐私保护。
距离越近的坐标，转换后的geohash字符串越相似,例如：

3.2 实现思路

以上详细介绍了geohash算法，那么如何利用Mysql+geohash实现附近的人功能呢？

添加新用户时计算该用户的geohash字符串，并存储到用户表中。
当要查询某个点附近指定距离的用户信息时，通过比对geohash误差表确定需要的geohash字符串
精度。
当要查询某个点附近指定距离的用户信息时，通过比对geohash误差表确定需要的geohash字符串精度。
计算获得当前坐标的geohash字符串，并查询与当前字符串前缀相同的数据。
如果geohash字符串的精度远大于给定的距离范围时，查询出的结果集中必然存在在范围之外的数
据。
计算两点之间距离，对于超出距离的数据进行剔除。

3.3 数据库准备

3.4 代码实现

<dependency>
<groupId>com.spatial4j</groupId>
<artifactId>spatial4j</artifactId>
<version>0.5</version>
</dependency>

private SpatialContext spatialContext = SpatialContext.GEO;
/**
* 获取附近指定范围的人
* *
@param distance 距离范围 单位km
* @param len geoHash的精度
* @param userLng 当前用户的经度
* @param userLat 当前用户的纬度
* @return
*/
public List<User> nearBySearch2(double distance, int len, double userLng,
double userLat) {
//1.根据要求的范围，确定geoHash码的精度，获取到当前用户坐标的geoHash码
String geoHashCode = GeohashUtils.encodeLatLon(userLat, userLng, len);
//2.匹配指定精度的geoHash码
//查询数据库操作 mybatis plus实现
List<User> users = list(Wrappers.
<User>lambdaQuery().likeRight(User::getGeohash, geoHashCode));
//3.过滤超出距离的
users = users.stream()
.filter(a -> getDistance1(a.getUserLongitude(),
a.getUserLatitude(), userLng, userLat) <= distance)
.collect(Collectors.toList());
return users;
}
/***
* 球面中，两点间的距离（第三方库方法）
* *
@param longitude 经度1
* @param latitude 纬度1
* @param userLng 经度2
* @param userLat 纬度2
* @return 返回距离，单位km
*/
public double getDistance(Double longitude, Double latitude, double userLng,
double userLat) {
return spatialContext.calcDistance(spatialContext.makePoint(userLng,
userLat),
spatialContext.makePoint(longitude, latitude)) *
DistanceUtils.DEG_TO_KM;
}
/**
* 向数据库添加数据
* 
@param user 用户对象
* @return
*/
public boolean save(User user) {
//默认精度12位
String geoHashCode = GeohashUtils.encodeLatLon(user.getUserLatitude(),
user.getUserLongitude());
//插入数据库操作 mybatis plus实现
super.save(user.setGeohash(geoHashCode));
}

3.5 边界问题优化

geohash算法提高了效率，但在实际应用场景中存在一些问题。首先就是边界问题。

如图，如果当前在红点位置，区域内还有一个黄点。相邻区域内的绿点明显离红点更近。但因为黄
点的编码和红点一样，最终找到的将是黄点。这就有问题了。
要解决这个问题，除了要找到当前区域内的点，还要要再查找周边8个区域内的点，看哪个离自己
更近。
这里提供了求解当前区域周围8个区域的思路：Geohash求当前区域周围8个区域编码的一种思路
由此优化代码为：

<dependency>
<groupId>com.spatial4j</groupId>
<artifactId>spatial4j</artifactId>
<version>0.5</version>
</dependency>
<dependency>
<groupId>ch.hsr</groupId>
<artifactId>geohash</artifactId>
<version>1.0.10</version>
</dependency>

private SpatialContext spatialContext = SpatialContext.GEO;

/**
* 获取附近x米的人,geohash区域+8个周围区域
* *
@param distance 距离范围 单位km
* @param len geoHash的精度
* @param userLng 当前经度
* @param userLat 当前纬度
* @return json
*/
public List<User> nearBySearch4(double distance, int len, double userLng,
double userLat) {
//1 根据要求的范围，确定geoHash码的精度，获取到当前用户坐标的geoHash码
GeoHash geoHash = GeoHash.withCharacterPrecision(userLat, userLng, len);
//2 获取到用户周边8个方位的geoHash码
GeoHash[] adjacent = geoHash.getAdjacent();
//查询数据库操作 mybatis plus实现
QueryWrapper<User> queryWrapper = new QueryWrapper<User>
().likeRight("user_geohash", geoHash.toBase32());
Stream.of(adjacent).forEach(a ->
queryWrapper.or().likeRight("user_geohash", a.toBase32()));
//匹配指定精度的geoHash码
List<User> users = list(queryWrapper);
//3 过滤超出距离的
users = users.stream()
.filter(a -> getDistance(a.getUserLongitude(),
a.getUserLatitude(), userLng, userLat) <= distance)
.collect(Collectors.toList());
return users;
}
/***
* 球面中，两点间的距离（第三方库方法）
* *
@param longitude 经度1
* @param latitude 纬度1
* @param userLng 经度2
* @param userLat 纬度2
* @return 返回距离，单位km
*/
public double getDistance(Double longitude, Double latitude, double userLng,
double userLat) {
return spatialContext.calcDistance(spatialContext.makePoint(userLng,
userLat),
spatialContext.makePoint(longitude, latitude)) *
DistanceUtils.DEG_TO_KM;
}

4 Redis+geohash

基于前两种方案，我们可以发现此功能属于读多写少的情况，如果使用redis来实现附近的人，想
必效率会大大提高。
自Redis 3.2开始，Redis基于geohash和有序集合Zset提供了地理位置相关功能。
关于Redis提供的geohash操作命令介绍可移步：Redis 到底是怎么实现“附近的人”这个功能的呢?

4.1 实现思路

用 GEOADD 方法添加用户坐标信息到redis，redis会将经纬度参数值转换为52位的geohash码，
Redis以geohash码为score，将其他信息以Zset有序集合存入key中
通过调用 GEORADIUS 命令，获取指定坐标点某一范围内的数据
因geohash存在精度误差，剔除超过指定距离的数据

4.2 代码实现

@Autowired
private RedisTemplate redisTemplate;
//GEO相关命令用到的KEY
private final static String KEY = "user_info";
/**
* 根据当前位置获取附近指定范围内的用户
* *
@param distance 指定范围 单位km ，可根据{@link Metrics} 进行设置
* @param userLng 用户经度
* @param userLat 用户纬度
* @return
*/
public List<User> nearBySearch3(double distance, double userLng, double
userLat) {
List<User> users = new ArrayList<>();
//GEORADIUS获取附近范围内的信息
GeoResults<RedisGeoCommands.GeoLocation<Object>> reslut =
redisTemplate.opsForGeo().radius(KEY,
new Circle(new Point(userLng, userLat), new
Distance(distance, Metrics.KILOMETERS)),
RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()
.includeDistance()
.includeCoordinates().sortAscending());
//存入list
List<GeoResult<RedisGeoCommands.GeoLocation<Object>>> content =
reslut.getContent();
//过滤掉超过距离的数据
content.forEach(a -> users.add(
new User().setDistance(a.getDistance().getValue())
.setUserLatitude(a.getContent().getPoint().getX())
.setUserLongitude(a.getContent().getPoint().getY())));
return users;
}
/**
* 用户信息存入Redis
* *
@param user 用户对象
* @return
*/
public boolean save(User user) {
Long flag = redisTemplate.opsForGeo().add(KEY, new
RedisGeoCommands.GeoLocation<>(
user.getUserAccount(),
new Point(user.getUserLatitude(), user.getUserLatitude()))
);
return flag != null && flag > 0;
}

5 总结

posted @ 2022-11-08 11:45 yiwanbin 阅读(1092) 评论(0) 编辑收藏举报

刷新页面返回顶部

True master always with a heart of apprentice!———ywb

个人网站---那些年敲过的代码