“附近的人” 功能生活中是比较常用的，像外卖app附近的餐厅，共享单车app里附近的车辆。既然常用面试被问的概率就很大，所以下边依次来分析基于MySQL数据库、Redis、 MongoDB实现的 “附近的人” 功能。

科普：世界上标识一个位置，通用的做法就使用经、纬度。经度的范围在 (-180, 180]，纬度的范围在(-90, 90]，纬度正负以赤道为界，北正南负，经度正负以本初子午线 (英国格林尼治天文台) 为界，东正西负。比如：望京摩托罗拉大厦的经、纬度(116.49141，40.01229)全是正数，就是因为我国位于东北半球。

一、“附近的人”原理

“附近的人” 也就是常说的 LBS (Location Based Services，基于位置服务)，它围绕用户当前地理位置数据而展开的服务，为用户提供精准的增值服务。

“附近的人” 核心思想如下：

以 “我” 为中心，搜索附近的用户
以 “我” 当前的地理位置为准，计算出别人和 “我” 之间的距离
按 “我” 与别人距离的远近排序，筛选出离我最近的用户或者商店等

二、什么是GeoHash算法?

在说 “附近的人” 功能的具体实现之前，先来认识一下GeoHash 算法，因为后边会一直和它打交道。定位一个位置最好的办法就是用经、纬度标识，但经、纬度它是二维的，在进行位置计算的时候还是很麻烦，如果能通过某种方法将二维的经、纬度数据转换成一维的数据，那么比较起来就要容易的多，因此GeoHash算法应运而生。

GeoHash算法将二维的经、纬度转换成一个字符串，例如：下图中9个GeoHash字符串代表了9个区域，每一个字符串代表了一矩形区域。而这个矩形区域内其他的点(经、纬度)都用同一个GeoHash字符串表示。

比如：WX4ER区域内的用户搜索附近的餐厅数据，由于这区域内用户的GeoHash字符串都是WX4ER，故可以把WX4ER当作key，餐厅信息作为value进行缓存;而如果不使用GeoHash算法，区域内的用户请求餐厅数据，用户传来的经、纬度都是不同的，这样缓存不仅麻烦且数据量巨大。

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。下图geohash码精度表：

geohash码长度	宽度	高度
1	5,009.4km
2	1,252.3km	624.1km
3	156.5km	156km
4	39.1km	19.5km
5	4.9km	4.9km
6	1.2km	609.4m
7	152.9m	152.4m
8	38.2m	19m
9	4.8m	4.8m
10	1.2m	59.5cm
11	14.9cm	14.9cm
12	3.7cm	1.9cm

而且字符串越相似表示距离越相近，字符串前缀匹配越多的距离越近。比如：下边的经、纬度就代表了三家距离相近的餐厅。

商户	经纬度	Geohash字符串
串串香	116.402843,39.999375	wx4er9v
火锅	116.3967,39.99932	wx4ertk
烤肉	116.40382,39.918118	wx4erfe

三、基于MySQL

此种方式是纯基于mysql实现的，未使用GeoHash算法。

1、设计思路

以用户为中心，假设给定一个500米的距离作为半径画一个圆，这个圆型区域内的所有用户就是符合用户要求的 “附近的人”。但有一个问题是圆形有弧度啊，直接搜索圆形区域难度太大，根本无法用经、纬度直接搜索。

但如果在圆形外套上一个正方形，通过获取用户经、纬度的最大最小值(经、纬度 + 距离)，再根据最大最小值作为筛选条件，就很容易将正方形内的用户信息搜索出来。

那么问题又来了，多出来一些面积肿么办?

我们来分析一下，多出来的这部分区域内的用户，到圆点的距离一定比圆的半径要大，那么我们就计算用户中心点与正方形内所有用户的距离，筛选出所有距离小于等于半径的用户，圆形区域内的所用户即符合要求的“附近的人”。

2、利弊分析

纯基于 MySQL 实现 “附近的人”，优点显而易见就是简单，只要建一张表存下用户的经、纬度信息即可。缺点也很明显，需要大量的计算两个点之间的距离，非常影响性能。

3、实现

创建一个简单的表用来存放用户的经、纬度属性。

CREATE TABLE `nearby_user` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(255) DEFAULT NULL COMMENT '名称', `longitude` double DEFAULT NULL COMMENT '经度', `latitude` double DEFAULT NULL COMMENT '纬度', `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

计算两个点之间的距离，用了一个三方的类库

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

获取到外接正方形后，以正方形的最大最小经、纬度值搜索正方形区域内的用户，再剔除超过指定距离的用户，就是最终的附近的人。

    private SpatialContext spatialContext = SpatialContext.GEO;     /** * 获取附近 x 米的人 * * @param distance 搜索距离范围 单位km * @param userLng  当前用户的经度 * @param userLat  当前用户的纬度 */ @GetMapping("/nearby") public String nearBySearch(@RequestParam("distance") double distance, @RequestParam("userLng") double userLng, @RequestParam("userLat") double userLat) { //1.获取外接正方形 Rectangle rectangle = getRectangle(distance, userLng, userLat); //2.获取位置在正方形内的所有用户 List<User> users = userMapper.selectUser(rectangle.getMinX(), rectangle.getMaxX(), rectangle.getMinY(), 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.getLongitude(), a.getLatitude(), userLng, userLat) <= distance) .collect(Collectors.toList()); return JSON.toJSONString(users); } private Rectangle getRectangle(double distance, double userLng, double userLat) { return spatialContext.getDistCalc() .calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat),  distance * DistanceUtils.KM_TO_DEG, spatialContext, null); }

由于用户间距离的排序是在业务代码中实现的，可以看到SQL语句也非常的简单。

    <select id="selectUser" resultMap="BaseResultMap"> SELECT * FROM user WHERE 1=1 and (longitude BETWEEN ${minlng} AND ${maxlng}) and (latitude BETWEEN ${minlat} AND ${maxlat}) </select>

四、MySQL + GeoHash

1、设计思路

这种方式的设计思路更简单，在存用户位置信息时，根据用户经、纬度属性计算出相应的GeoHash字符串。注意：在计算GeoHash字符串时，需要指定GeoHash字符串的精度，也就是GeoHash字符串的长度，参考上边的GeoHash精度表。

当需要获取附近的人，只需用当前用户GeoHash字符串，数据库通过WHERE geohash Like ‘geocode%’ 来查询GeoHash字符串相似的用户，然后计算当前用户与搜索出的用户距离，筛选出所有距离小于等于指定距离(附近500米)的，即附近的人。

2、利弊分析

利用GeoHash算法实现“附近的人”有一个问题，由于GeoHash算法将地图分为一个个矩形，对每个矩形进行编码，得到GeoHash字符串。可我当前的点与邻近的点很近，但恰好我们分别在两个区域，明明就在眼前的点偏偏搜不到，实实在在的灯下黑。

如何解决这一问题?

为了避免类似邻近两点在不同区域内，我们就需要同时获取当前点(WX4G0)所在区域附近 8个区域的GeoHash码，一并进行筛选比较。

3、实现

同样要设计一张表存用户的经、纬度信息，但区别是要多一个geo_code字段，存放GeoHash字符串，此字段通过用户经、纬度属性计算出。使用频繁的字段建议加上索引。

    CREATE TABLE `nearby_user_geohash` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(255) DEFAULT NULL COMMENT '名称', `longitude` double DEFAULT NULL COMMENT '经度', `latitude` double DEFAULT NULL COMMENT '纬度', `geo_code` varchar(64) DEFAULT NULL COMMENT '经纬度所计算的geohash码', `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`), KEY `index_geo_hash` (`geo_code`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

首先根据用户经、纬度信息，在指定精度后计算用户坐标的GeoHash码，再获取到用户周边8个方位的GeoHash码在数据库中搜索用户，最后过滤掉超出给定距离(500米内)的用户

    private SpatialContext spatialContext = SpatialContext.GEO; /*** * 添加用户 * @return */ @PostMapping("/addUser") public boolean add(@RequestBody UserGeohash user) { //默认精度12位 String geoHashCode = GeohashUtils.encodeLatLon(user.getLatitude(),user.getLongitude()); return userGeohashService.save(user.setGeoCode(geoHashCode).setCreateTime(LocalDateTime.now())); } /** * 获取附近指定范围的人 * * @param distance 距离范围（附近多远的用户） 单位km * @param len      geoHash的精度（几位的字符串） * @param userLng  当前用户的经度 * @param userLat  当前用户的纬度 * @return json */ @GetMapping("/nearby") public String nearBySearch(@RequestParam("distance") double distance, @RequestParam("len") int len, @RequestParam("userLng") double userLng, @RequestParam("userLat") 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(); QueryWrapper<UserGeohash> queryWrapper = new QueryWrapper<UserGeohash>() .likeRight("geo_code",geoHash.toBase32()); Stream.of(adjacent).forEach(a -> queryWrapper.or().likeRight("geo_code",a.toBase32())); //3.匹配指定精度的geoHash码 List<UserGeohash> users = userGeohashService.list(queryWrapper); //4.过滤超出距离的 users = users.stream() .filter(a ->getDistance(a.getLongitude(),a.getLatitude(),userLng,userLat)<= distance) .collect(Collectors.toList()); return JSON.toJSONString(users); } /*** * 球面中，两点间的距离 * @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 */ private 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; }

五、Redis + GeoHash

Redis 3.2版本以后，基于GeoHash和数据结构Zset提供了地理位置相关功能。通过上边两种MySQL的实现方式发现，附近的人功能是明显的读多写少场景，所以用Redis性能更会有很大的提升。

1、设计思路

Redis 实现附近的人功能主要通过Geo模块的六个命令。

GEOADD：将给定的位置对象(纬度、经度、名字)添加到指定的key;
GEOPOS：从key里面返回所有给定位置对象的位置(经度和纬度);
GEODIST：返回两个给定位置之间的距离;
GEOHASH：返回一个或多个位置对象的Geohash表示;
GEORADIUS：以给定的经纬度为中心，返回目标集合中与中心的距离不超过给定最大距离的所有位置对象;
GEORADIUSBYMEMBER：以给定的位置对象为中心，返回与其距离不超过给定最大距离的所有位置对象。

以GEOADD 命令和GEORADIUS 命令简单举例

其中，key为集合名称，member为该经纬度所对应的对象

 GEOADD key longitude latitude member [longitude latitude member ...]

GEOADD 添加多个商户“火锅店”位置信息：

GEOADD hotel 119.98866180732716    30.27465803229662 火锅店

GEORADIUS 根据给定的经纬度为中心，获取目标集合中与中心的距离不超过给定最大距离(500米内)的所有位置对象，也就是“附近的人”

   GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [ASC|DESC] [COUNT count] [STORE key] [STORedisT key]

范围单位：m | km | ft | mi --> 米 | 千米 | 英尺 | 英里。

WITHDIST：在返回位置对象的同时，将位置对象与中心之间的距离也一并返回。距离的单位和用户给定的范围单位保持一致。
WITHCOORD：将位置对象的经度和维度也一并返回。
WITHHASH：以 52 位有符号整数的形式，返回位置对象经过原始 geohash 编码的有序集合分值。这个选项主要用于底层应用或者调试，实际中的作用并不大。
ASC | DESC：从近到远返回位置对象元素 | 从远到近返回位置对象元素。
COUNT count：选取前N个匹配位置对象元素。(不设置则返回所有元素)
STORE key：将返回结果的地理位置信息保存到指定key。
STORedisT key：将返回结果离中心点的距离保存到指定key。

例如下边命令：获取当前位置周边500米内的所有饭店。

GEORADIUS hotel 119.98866180732716    30.27465803229662 500 m WITHCOORD

Redis内部使用有序集合(zset)保存用户的位置信息，zset中每个元素都是一个带位置的对象，元素的score值为通过经、纬度计算出的52位geohash值。

2、利弊分析

Redis实现附近的人效率比较高，集成也比较简单，而且还支持对距离排序。不过，结果存在一定的误差，要想让结果更加精确，还需要手动将用户中心位置与其他用户位置计算距离后，再一次进行筛选

3、实现

以下就是Java Redis实现版本，代码非常的简洁。

    @Autowired private RedisTemplate<String, Object> redisTemplate; //GEO相关命令用到的KEY private final static String KEY = "user_info"; public boolean save(User user) { Long flag = redisTemplate.opsForGeo().add(KEY, new RedisGeoCommands.GeoLocation<>( user.getName(),  new Point(user.getLongitude(), user.getLatitude())) ); return flag != null && flag > 0; } /** * 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 org.springframework.data.geo.Metrics} 进行设置 * @param userLng 用户经度 * @param userLat 用户纬度 * @return */ public String nearBySearch(double distance, double userLng, double userLat) { List<User> users = new ArrayList<>(); // 1.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()); //2.收集信息，存入list List<GeoResult<RedisGeoCommands.GeoLocation<Object>>> content = reslut.getContent(); //3.过滤掉超过距离的数据 content.forEach(a-> users.add( new User().setDistance(a.getDistance().getValue()) .setLatitude(a.getContent().getPoint().getX()) .setLongitude(a.getContent().getPoint().getY()))); return JSON.toJSONString(users); }

六、MongoDB + 2d索引

1、设计思路

MongoDB实现附近的人，主要是通过它的两种地理空间索引 2dsphere 和 2d。两种索引的底层依然是基于GeoHash来进行构建的。但与国际通用的GeoHash还有一些不同，具体参考官方文档。

2dsphere 索引仅支持球形表面的几何形状查询。

2d 索引支持平面几何形状和一些球形查询。虽然2d 索引支持某些球形查询，但 2d 索引对这些球形查询时，可能会出错。所以球形查询尽量选择 2dsphere索引。

尽管两种索引的方式不同，但只要坐标跨度不太大，这两个索引计算出的距离相差几乎可以忽略不计。

2、实现

首先插入一批位置数据到MongoDB， collection为起名 hotel，相当于MySQL的表名。两个字段name名称，location 为经、纬度数据对

    db.hotel.insertMany([ {'name':'hotel1',  location:[115.993121,28.676436]}, {'name':'hotel2',  location:[116.000093,28.679402]}, {'name':'hotel3',  location:[115.999967,28.679743]}, {'name':'hotel4',  location:[115.995593,28.681632]}, {'name':'hotel5',  location:[115.975543,28.679509]}, {'name':'hotel6',  location:[115.968428,28.669368]}, {'name':'hotel7',  location:[116.035262,28.677037]}, {'name':'hotel8',  location:[116.024770,28.68667]}, {'name':'hotel9',  location:[116.002384,28.683865]}, {'name':'hotel10', location:[116.000821,28.68129]}, ])

接下来我们给 location 字段创建一个2d索引，索引的精度通过bits来指定，bits越大，索引的精度就越高。

    db.coll.createIndex({'location':"2d"}, {"bits":11111})

用geoNear命令测试一下， near 当前坐标(经、纬度)，spherical 是否计算球面距离，distanceMultiplier地球半径，单位是米，默认6378137， maxDistance 过滤条件(指定距离内的用户)，开启弧度需除distanceMultiplier，distanceField 计算出的两点间距离，字段别名(随意取名)。

    db.hotel.aggregate({ $geoNear:{ near: [115.999567,28.681813], // 当前坐标 spherical: true, // 计算球面距离 distanceMultiplier: 6378137, // 地球半径,单位是米,那么的除的记录也是米 maxDistance: 2000/6378137, // 过滤条件2000米内，需要弧度 distanceField: "distance" // 距离字段别名 } })

看到结果中有符合条件的数据，还多出一个字段distance 刚才设置的别名，代表两点间的距离。

    { "_id" : ObjectId("5e96a5c91b8d4ce765381e58"), "name" : "hotel10", "location" : [ 116.000821, 28.68129 ], "distance" : 135.60095397487655 } { "_id" : ObjectId("5e96a5c91b8d4ce765381e51"), "name" : "hotel3", "location" : [ 115.999967, 28.679743 ], "distance" : 233.71915803517447 } { "_id" : ObjectId("5e96a5c91b8d4ce765381e50"), "name" : "hotel2", "location" : [ 116.000093, 28.679402 ], "distance" : 273.26317035334176 } { "_id" : ObjectId("5e96a5c91b8d4ce765381e57"), "name" : "hotel9", "location" : [ 116.002384, 28.683865 ], "distance" : 357.5791936927476 } { "_id" : ObjectId("5e96a5c91b8d4ce765381e52"), "name" : "hotel4", "location" : [ 115.995593, 28.681632 ], "distance" : 388.62555058249967 } { "_id" : ObjectId("5e96a5c91b8d4ce765381e4f"), "name" : "hotel1", "location" : [ 115.993121, 28.676436 ], "distance" : 868.6740526419927 }

4种“附近的人”实现方式相关推荐

一口气说出 4种 “附近的人” 实现方式，面试官笑了
引言昨天一位公众号粉丝和我讨论了一道面试题,个人觉得比较有意义,这里整理了一下分享给大家,愿小伙伴们面试路上少踩坑.面试题目比较简单:"让你实现一个附近的人功能,你有什么方案?" ...
一口气说出 4种 “附近的人” 实现方式，面试官笑了，嘿嘿
引言昨天一位公众号粉丝和我讨论了一道面试题,个人觉得比较有意义,这里整理了一下分享给大家,愿小伙伴们面试路上少踩坑.面试题目比较简单:"让你实现一个附近的人功能,你有什么方案?" ...
mysql 查找附近的人_一口气说出4种“附近的人”实现方式，面试官笑了
引言昨天一位公众号粉丝和我讨论了一道面试题,个人觉得比较有意义,这里整理了一下分享给大家,愿小伙伴们面试路上少踩坑.面试题目比较简单:"让你实现一个附近的人功能,你有什么方案?" ...
java date 格式化_3种 Springboot 全局时间格式化方式，别再写重复代码了
原文:3种 Springboot 全局时间格式化方式,别再写重复代码了掘金作者: 程序员内点事时间格式化在项目中使用频率是非常高的,当我们的API接口返回结果,需要对其中某一个date字段属性进 ...
到底应该选择哪种Linux.NET的部署方式？
到底应该选择哪种Linux.NET的部署方式? 当前部署Linux.NET环境的方式可谓是五花八门,既有传统的源码编译的方式.又有各式各样的一键安装脚本.还有绿色包安装方式,而随着Mono官方的新站上 ...
Github上多人协作方式之一
Github上多人协作方式之一 @(Github学习笔记) A拥有一个仓库RepoA, B看着不错,想着自己可以为这个仓库贡献一点东西,于是Fork这个仓库到自己账户上来. 这时候仓库还是在远程仓库里 ...
15种独一无二的创新数据可视化方式
全文共5489字,预计学习时长11分钟可视化能解答那些尚未发现的问题. 本·施耐德曼(Ben Shneiderman) 掌握数据可视化技术会打开新世界的大门,带来更多机会.精心设计的可视化能帮助程序 ...
微信点餐系统html,微信点餐系统,一种新型的点餐方式
在过去,一般的传统收款方式基本都是从服务员给客户账单,然后消费者通过现金或者刷卡支付,这个过程至少需要5分钟左右.如果遇到一些要求仔细检查账单的消费者,这就还会增加付款的时间,但是如果拥有点餐系统里的 ...
实现“附近的人”的方式原理
实现"附近的人"的方式原理前言 GeoHash算法 GeoHash算法在实际应用场景中遇到的问题及其解决方案基于mysql实现"附近的人"功能基于Mysq ...
如何在线赚钱：28 种真正的在线赚钱方式
从网上彩票到在家里塞信封,有很多流行的快速致富的想法总是会冒出来.做他们的工作?并不真地.你会赚钱吗?Maaaybe.但您可能会从朝九晚五的工作中赚到更多钱.至少那是有保证的薪水. 事实上,网上赚钱确 ...

4种“附近的人”实现方式

一、“附近的人”原理

二、什么是GeoHash算法?

三、基于MySQL

四、MySQL + GeoHash

五、Redis + GeoHash

六、MongoDB + 2d索引

4种“附近的人”实现方式相关推荐

最新文章

热门文章