本文目录一览：
- 1、PHP使用中，geohash用一个字符串表示经度和纬度两个坐标。某些情况下无法在两列上同时应用索引
- 2、redis常用数据结构介绍和业务应用场景分析
- 3、[image]10 PHP使用中，geohash用一个字符串表示经度和纬度两个坐标。某些情况下无法
- 4、有什么方式可以取得到周边有多少商户
- 5、在java中，geohash怎么计算周围8点的字符串？如何获得周围8点的经纬度坐标？
- 6、Geohash原理
PHP使用中，geohash用一个字符串表示经度和纬度两个坐标。某些情况下无法在两列上同时应用索引
不太清楚啊，楼主还是自己去后盾人那里看看吧，那里很多教学视频
redis常用数据结构介绍和业务应用场景分析
redis内置了很多常用数据结构，了解这些数据结构的功能和应用场景能够让我们在需求开发时灵活运用来解决实际问题。
String是redis中最基础的数据结构，你可以把它用作缓存最基础的kv（key-value）类型的缓存(value最大为512MB)，只需要把需要缓存的对象进行string的编解码即可。另外String也可以保存数值类型的数据，就可以来实现计数功能（redi提供了incr等原子操作）
常见应用场景
List列表更多的时候是把它当成队列使用(最大2^32 - 1个元素)，使用入队出队功能，如果来使用它作为各种列表的话，很多时候不具备防重功能在使用的时候不是很方便。
常见应用场景
Set是一种无序不重复的集合，添加删除检查是否存在都是O(1)的时间复杂度。
常见应用场景
hash是一个map结构，可以像存储对象的多个字段一样存储一个key的多类数据。
常见应用场景
redis中的pub/sub可以实现广播功能，类似rocketmq中的broadcast
常见应用场景
除了上述最基本的数据结构外，redis还提供了一些其他的数据结构，有的是需要安装相关redis stack来使用的。
bitmap本质上还是使用的string字符串，不过可以通过bit来进行操作，把这个key的value值想象成bit组成的数组。
常见应用场景
bloomfilter（也叫布隆过滤器）可以理解成一种特殊的set集合，它可以用来判断一个值是否在这个集合中，不过不同于普通的set，它的判断存在一定误判的可能（假阳性），如果bloomfilter判断一个值不在这个集合中，那么一定不在，但是如果判断在，那么有可能不在。
常见应用场景
hyperloglog是一种概率性的去重计数数据结构，可以实现一定精度的去重计数
常见应用场景
geohash可以实现距离计算、距离查询等地理位置相关的功能
常见应用场景
[image]10 PHP使用中，geohash用一个字符串表示经度和纬度两个坐标。某些情况下无法
这问题我记得不太清楚了，只有一点点印象，当时我在后盾人学会的，～(￣▽￣～)~最近不太用了，我给忘了(~_~;)放心吧，你在后盾人绝对可以学会的(´-ω-`)
有什么方式可以取得到周边有多少商户
php可以获取附近的商家。
操作方法如下：Shop表存储字段 Lat, Lng 现在使用方案为 通过 sql 语句进行距离的计算 之后 order by limit 进行分页 但在SQL内进行计算,导致慢查询. 目前 有两种方案
A方案 : 获取用户当前的经纬度 通过算法找到每条记录所在点的经纬度周围的一个大概范围，比方说正方形的四个点，然后使用mysql的空间计算
B方案 ：通过 Geohash 算法 算出附近的商家 前端通过接口获取数据进行分页,采用以上两种方案时,均为一次性拉取出附近商户的数据,之后进行距离的计算,根据距离的排序生成最终数组,此时数据分页 应该采用 根据数组的索引 计算偏移量进行分页的操作。
补充 同时要求 能够根据城市 和 区域 进行搜索 用关系型数据库的话，给经纬度加上索引。附近的算法可以从经纬度入手，以用户的经纬度(x,y)为基准，查询的范围为((x+/-),y(+/-)), 扩大搜索范围就是对x y的范围的加大。 使用ElasticSearch 或者 Solr之类支持空间的搜索引擎。 之前写过相关的Demo: Django ElasticSearch Ionic 打造 GIS 移动应用 —— 架构设计
在java中，geohash怎么计算周围8点的字符串？如何获得周围8点的经纬度坐标？
Geohash的最简单的解释就是：将一个经纬度信息，转换成一个可以排序，可以比较的字符串编码
import java.io.File;
import java.io.FileInputStream;
import java.util.BitSet;
import java.util.HashMap;
public class Geohash {
private static int numbits = 6 * 5;
final static char[] digits = { '0', '1', '2', '3', '4', '5', '6', '7', '8',
'9', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'j', 'k', 'm', 'n', 'p',
'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z' };
final static HashMapCharacter, Integer lookup = new HashMapCharacter, Integer();
static {
int i = 0;
for (char c : digits)
lookup.put(c, i++);
}
public static void main(String[] args) throws Exception{
System.out.println(new Geohash().encode(45, 125));
}
public double[] decode(String geohash) {
StringBuilder buffer = new StringBuilder();
for (char c : geohash.toCharArray()) {
int i = lookup.get(c) + 32;
buffer.append( Integer.toString(i, 2).substring(1) );
}
BitSet lonset = new BitSet();
BitSet latset = new BitSet();
//even bits
int j =0;
for (int i=0; i numbits*2;i+=2) {
boolean isSet = false;
if ( i buffer.length() )
isSet = buffer.charAt(i) == '1';
lonset.set(j++, isSet);
}
//odd bits
j=0;
for (int i=1; i numbits*2;i+=2) {
boolean isSet = false;
if ( i buffer.length() )
isSet = buffer.charAt(i) == '1';
latset.set(j++, isSet);
}
double lon = decode(lonset, -180, 180);
double lat = decode(latset, -90, 90);
return new double[] {lat, lon};
}
private double decode(BitSet bs, double floor, double ceiling) {
double mid = 0;
for (int i=0; ibs.length(); i++) {
mid = (floor + ceiling) / 2;
if (bs.get(i))
floor = mid;
else
ceiling = mid;
}
return mid;
}
public String encode(double lat, double lon) {
BitSet latbits = getBits(lat, -90, 90);
BitSet lonbits = getBits(lon, -180, 180);
StringBuilder buffer = new StringBuilder();
for (int i = 0; i numbits; i++) {
buffer.append( (lonbits.get(i))?'1':'0');
buffer.append( (latbits.get(i))?'1':'0');
}
return base32(Long.parseLong(buffer.toString(), 2));
}
private BitSet getBits(double lat, double floor, double ceiling) {
BitSet buffer = new BitSet(numbits);
for (int i = 0; i numbits; i++) {
double mid = (floor + ceiling) / 2;
if (lat = mid) {
buffer.set(i);
floor = mid;
} else {
ceiling = mid;
}
}
return buffer;
}
public static String base32(long i) {
char[] buf = new char[65];
int charPos = 64;
boolean negative = (i 0);
if (!negative)
i = -i;
while (i = -32) {
buf[charPos--] = digits[(int) (-(i % 32))];
i /= 32;
}
buf[charPos] = digits[(int) (-i)];
if (negative)
buf[--charPos] = '-';
return new String(buf, charPos, (65 - charPos));
}
}
import java.io.File;
import java.io.FileInputStream;
import java.util.BitSet;
import java.util.HashMap;
public class Geohash {
private static int numbits = 6 * 5;
final static char[] digits = { '0', '1', '2', '3', '4', '5', '6', '7', '8',
'9', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'j', 'k', 'm', 'n', 'p',
'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z' };
final static HashMapCharacter, Integer lookup = new HashMapCharacter, Integer();
static {
int i = 0;
for (char c : digits)
lookup.put(c, i++);
}
public static void main(String[] args) throws Exception{
System.out.println(new Geohash().encode(45, 125));
}
public double[] decode(String geohash) {
StringBuilder buffer = new StringBuilder();
for (char c : geohash.toCharArray()) {
int i = lookup.get(c) + 32;
buffer.append( Integer.toString(i, 2).substring(1) );
}
BitSet lonset = new BitSet();
BitSet latset = new BitSet();
//even bits
int j =0;
for (int i=0; i numbits*2;i+=2) {
boolean isSet = false;
if ( i buffer.length() )
isSet = buffer.charAt(i) == '1';
lonset.set(j++, isSet);
}
//odd bits
j=0;
for (int i=1; i numbits*2;i+=2) {
boolean isSet = false;
if ( i buffer.length() )
isSet = buffer.charAt(i) == '1';
latset.set(j++, isSet);
}
double lon = decode(lonset, -180, 180);
double lat = decode(latset, -90, 90);
return new double[] {lat, lon};
}
private double decode(BitSet bs, double floor, double ceiling) {
double mid = 0;
for (int i=0; ibs.length(); i++) {
mid = (floor + ceiling) / 2;
if (bs.get(i))
floor = mid;
else
ceiling = mid;
}
return mid;
}
public String encode(double lat, double lon) {
BitSet latbits = getBits(lat, -90, 90);
BitSet lonbits = getBits(lon, -180, 180);
StringBuilder buffer = new StringBuilder();
for (int i = 0; i numbits; i++) {
buffer.append( (lonbits.get(i))?'1':'0');
buffer.append( (latbits.get(i))?'1':'0');
}
return base32(Long.parseLong(buffer.toString(), 2));
}
private BitSet getBits(double lat, double floor, double ceiling) {
BitSet buffer = new BitSet(numbits);
for (int i = 0; i numbits; i++) {
double mid = (floor + ceiling) / 2;
if (lat = mid) {
buffer.set(i);
floor = mid;
} else {
ceiling = mid;
}
}
return buffer;
}
public static String base32(long i) {
char[] buf = new char[65];
int charPos = 64;
boolean negative = (i 0);
if (!negative)
i = -i;
while (i = -32) {
buf[charPos--] = digits[(int) (-(i % 32))];
i /= 32;
}
buf[charPos] = digits[(int) (-i)];
if (negative)
buf[--charPos] = '-';
return new String(buf, charPos, (65 - charPos));
}
}
Geohash原理
GeoHash本质上是空间索引的一种方式，其基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。以GeoHash方式建立空间索引，可以提高对空间poi数据进行经纬度检索的效率。
GeoHash将二维的经纬度转换成字符串，比如下图展示了北京9个区域的GeoHash字符串，分别是WX4ER，WX4G2、WX4G3等等，每一个字符串代表了某一矩形区域。也就是说，这个矩形区域内所有的点（经纬度坐标）都共享相同的GeoHash字符串，这样既可以保护隐私（只表示大概区域位置而不是具体的点），又比较容易做缓存。
Geohash编码中，字符串相似的表示距离相近（特殊情况后文阐述），这样可以利用字符串的前缀匹配来查询附近的POI信息。如下两个图所示，一个在城区，一个在郊区，城区的GeoHash字符串之间比较相似，郊区的字符串之间也比较相似，而城区和郊区的GeoHash字符串相似程度要低些。此外，不同的编码长度，表示不同的范围区间，字符串越长，表示的范围越精确。
以经纬度值：（116.389550， 39.928167）进行算法说明，对纬度39.928167进行逼近编码 (地球纬度区间是[-90,90]
a. 区间[-90,90]进行二分为[-90,0),[0,90]，称为左右区间，可以确定39.928167属于右区间[0,90]，给标记为1
b. 接着将区间[0,90]进行二分为 [0,45),[45,90]，可以确定39.928167属于左区间 [0,45)，给标记为0
c. 递归上述过程39.928167总是属于某个区间[a,b]。随着每次迭代区间[a,b]总在缩小，并越来越逼近39.928167
d. 如果给定的纬度x（39.928167）属于左区间，则记录0，如果属于右区间则记录1，序列的长度跟给定的区间划分次数有关，如下图
e. 同理，地球经度区间是[-180,180]，可以对经度116.389550进行编码。通过上述计算， 纬度产生的编码为1 1 0 1 0 0 1 0 1 1 0 0 0 1 0，经度产生的编码为1 0 1 1 1 0 0 0 1 1 0 0 0 1 1
f. 合并：偶数位放经度，奇数位放纬度，把2串编码组合生成新串如下图
g. 首先将11100 11101 00100 01111 0000 01101转成十进制，对应着28、29、4、15，0，13 十进制对应的base32编码就是wx4g0e,如下图.
h. 同理，将编码转换成经纬度的解码算法与之相反
Geohash其实就是将整个地图或者某个分割所得的区域进行一次划分，由于采用的是base32编码方式，即Geohash中的每一个字母或者数字（如wx4g0e中的w）都是由5bits组成（2^5 = 32，base32），这5bits可以有32中不同的组合（0~31），这样我们可以将整个地图区域分为32个区域，通过00000 ~ 11111来标识这32个区域。第一次对地图划分后的情况如下图所示（每个区域中的编号对应于该区域所对应的编码）。
Geohash的0、1串序列是经度0、1序列和纬度0、1序列中的数字交替进行排列的，偶数位对应的序列为经度序列，奇数位对应的序列为纬度序列，在进行第一次划分时，Geohash0、1序列中的前5个bits（11100），那么这5bits中有3bits是表示经度，2bits表示纬度，所以第一次划分时，是将经度划分成8个区段（2^3 = 8），将纬度划分为4个区段（2^2 = 4），这样就形成了32个区域。如下图
同理，可以按照第一次划分所采用的方式对第一次划分所得的32个区域各自再次划分。
上文讲了GeoHash的计算步骤，仅仅说明是什么而没有说明为什么？为什么分别给经度和维度编码？为什么需要将经纬度两串编码交叉组合成一串编码？本节试图回答这一问题。
如图所示，我们将二进制编码的结果填写到空间中，当将空间划分为四块时候，编码的顺序分别是左下角00，左上角01，右下脚10，右上角11，也就是类似于Z的曲线，当我们递归的将各个块分解成更小的子块时，编码的顺序是自相似的（分形），每一个子快也形成Z曲线，这种类型的曲线被称为Peano空间填充曲线。
这种类型的空间填充曲线的优点是将二维空间转换成一维曲线（事实上是分形维），对大部分而言，编码相似的距离也相近，但Peano空间填充曲线最大的缺点就是突变性，有些编码相邻但距离却相差很远，比如0111与1000，编码是相邻的，但距离相差很大。
除Peano空间填充曲线外，还有很多空间填充曲线，如图所示，其中效果公认较好是Hilbert空间填充曲线，相较于Peano曲线而言，Hilbert曲线没有较大的突变。但是由于Peano曲线实现更加简单，在使用的时候配合一定的解决手段，可以很好的满足大部分需求，因此TD内部Geohash算法采用的是Peano空间填充曲线。
a. 由于GeoHash是将区域划分为一个个规则矩形，并对每个矩形进行编码，这样在查询附近POI信息时会导致以下问题，比如红色的点是我们的位置，绿色的两个点分别是附近的两个餐馆，但是在查询的时候会发现距离较远餐馆的GeoHash编码与我们一样（因为在同一个GeoHash区域块上），而较近餐馆的GeoHash编码与我们不一致。这个问题往往产生在边界处。
解决的思路很简单，我们查询时，除了使用定位点的GeoHash编码进行匹配外，还使用周围8个区域的GeoHash编码，这样可以避免这个问题。
b. 我们已经知道现有的GeoHash算法使用的是Peano空间填充曲线，这种曲线会产生突变，造成了编码虽然相似但距离可能相差很大的问题，因此在查询附近餐馆时候，首先筛选GeoHash编码相似的POI点，然后进行实际距离计算。
c. GeoHash Base32编码长度与精度。可以看出，当geohash base32编码长度为8时，精度在19米左右，而当编码长度为9时，精度在2米左右，编码长度需要根据数据情况进行选择。
理解了geohash算法的基本原理之后，本节将介绍一个实际应用中常见的场景：计算围栏范围内所有的Geohash编码。该场景封装为函数可以表示如下：输入组成围栏的点经纬度坐标集合和指定的geohash长度，输出一组geohash编码。
public static Set getHashByFence(List points, int length)
具体算法步骤如下:
1. 输入围栏点坐标集合List points和指定的geohash长度length
2. 计算围栏的外包矩形的左上角和右下角坐标lat_min、lat_max、lng_min、lng_max
3. 根据lat_min、lat_max、lng_min、lng_max，计算外包矩形对角定点的距离d
4. 以外包矩形中心点为圆心，以d/2为半径做一个圆，计算圆覆盖范围内的geohash
4.1 获取圆的外包矩形左上角和右下角定点坐标经纬度，存储到double[] locs
4.2 根据geohash字符长度计算该长度geohash编码对应的经纬度间隔（latA,lngA）
4.3 根据latA和lngA，计算出locs组成的矩形的左上角和右下角定点的经纬度，在geohash划分的网格的索引(也就是第几个),分别记为lat_min，lat_max，lng_min，lng_max
4.4 计算lat_min，lat_max，lng_min，lng_max对应范围内左右geohash的二进制编码，然后将经纬度二进制编码uncode为geohash字符编码，保存为Set sets
5. 剔除sets中geohash编码对应矩形的中心点不在points围栏范围内的geohash，得到最终的geohash结果集
