前言
Hello，小伙们好，我是阿沐！一个喜欢通过实际项目实践来分享技术点的程序员！
你们有没有遇到被面试官嘲讽的场景；之前有位刚毕业的小学弟在上海魔都某某某大公司面试，二面主要是问了关于redis的相关知识点，回答的也是磕磕绊绊的，其中一个问题是如何实现搜索附近人加好友功能；想跟小伙伴们一起分享、一起探讨下。如果有不正确的地方，欢迎指正批评，共同进步~~~
面试官的主要考点
当你看到面试官想考验你这些知识点的时候；你在面试官问的过程中，就脑海在飞快的转动着，组合一系列的数据场景准备应战。
Geohash概念介绍
geohash就是一种地理位置编码。用来查询附近的POI(POI是“Point of Interest”的缩写，中文可以翻译为“兴趣点”。在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等)，也是一种算法的思想。
通过将地球看成一个二维的平面图，然后将平面递归切分成更小的模块，然后将空间经纬度数据进行编码生成一个二进制的字符串，再通过base32将其转换为一个字符串。最终是通过比较geohash的值的相似程度查询附近目标元素。
Geohash能实现什么功能？
Geohash 算法原理
讲真地，当我要准备讲解原理和算法的时候，也很纠结，毕竟算法不是我的强项且百度一下千篇一律；并且都是大神级人物总结，且不敢妄自菲薄，所以还是站在前人的肩膀上来理解下geohash原理与算法。
“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：
① 以“自己”为中心，搜索附近的用户
② 以“自己”当前的地理位置为准，计算出别人和 “我” 之间的距离
③ 按“自己”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
那么我们按照我们以往的操作方式：我们在搜索附近人时，会将整个站点的用户信息塞到一个list中，然后去遍历所有节点，检查哪一个节点在自己的范围内；时间复杂度就变成了n*m(n搜索次数，m用户数据)这谁顶得住啊，就是全部放redis一旦数据量上来也顶不住，搜索效率极低。
附近人
上面大家应该可以看出来吧，其实就是把自己的坐标作为一个中心；哎，然后我们要找到围绕我们方圆10公里以内的附近小伙伴：
X轴：我们可以看做是纬度，左半边范围是-180°~~ 0°；右半边是0° ~~ 180° Y轴：我们可以看做是经度，上半边范围是0° ~~ 90°；下半边是-90° ~~ 0° 原点：我们就看做是(0,0)位置；就好像是我们自己的位置
举例子
假如我们现在地点在广州字节跳动有限公司(广州市天河区珠江东路6号)经纬度是：113.(经度),23.(纬度)
geohash实质就是将经纬度进行二分法的形式落于相对应的区间中，越分越细一直到趋近于某一个临界值，那么分的层数越多，精确度越准确。
原则是：左区间标注 0；右区间标注 1。
例如我们用代码实现上面经纬度二分法生成的二进制：
从上面的脚本实现来看是不是更清晰了呢？那么我在使用lua语言给大家实现展示一下，本身原理基本一致：
我们可以实际手动打一遍执行下，聪明的朋友应该看到一个函数php()和lua中()私有方法，这个是干嘛用的，通过方法注释我们看到大概意思是我们二分层数：
🤡 大家是不是还会有疑问，我的天啊，这个变量哪里来的呀？是不是感觉跟奇怪？下面看下图GeoHash Base32编码长度与精度表格展示：
在纬度相等的情况下：
在经度相等的情况下：
现在是不是一目了然了，规定Geohash长度最大长度是12层，每一层对应位数。哦哦哦！！！原来是这样来的呀，是不是超级简单。我们得到了经纬度的编码之后要干什么？肯定要对其进行组码了：
组合编码：
通过上述计算，纬度产生的编码为，经度产生的编码为。偶数位放经度，奇数位放纬度，把2串编码组合生成新串：。是不是又有点懵了，它是如何组合的呢？下面一张图带你明白它的组合流程：
经纬度编码组合
有木有豁然开朗的赶脚，组合就是这么简单；可能有的小伙伴在之阅读很多文章有点迷惑，奇偶交叉组合怎么组合的会有点一头雾水；但是仔细看来就是这么简单啦！
代码实现编码组合
真的到了这时候，将经纬度转GeoHash字符串的工作已经完成了一半了，是不是赶脚超级无敌很简单~
base32算法：用0-9、b-z（去掉a, i, l, o）这32个字母进行base32编码，首先将转成十进制，对应着十进制对应的编码就是可以组合成字符串了。我相信学习过编程的小伙们肯定都用过base64编码加解密，但是不确定是否去研究看过怎么加解密的。base32和base64的区别就在于：。
编码组合成十进制再转换为字符串
原理：将组合之后的二进制序列每5位一组进行拆分转换；例如：
是不是更加清晰明了了，照着对就可以啦；下面是编码实现获取组合字符串(解码这里就不写了，文末会有代码地址)：
注意：将经纬度转换成二进制序列的过程中，转换的次数越多，所表示的精度越细，标识的范围越小。
Geohash 实战系列
基于mysql实现附近人查询
创建一个用户地理位置上报的表用来存放的经、纬度属性：
① 第一种方案：查询附近符合要求的附近人，然后再算距离(实习时用过)
② 第二种方案：直接通过复杂的sql语句计算结果(实习时用过)
③ 第三方案：mysql的四个内置函数
注意：单单基于 mysql 实现 “附近的人”；优点：简单，一张表存储经纬度即可；缺点：数据量比较小时可以使用，同时可以配合redis缓存查询结果集，效果也是ok的；但是数据量比较大的时候，我们可以看到需要大量的计算两个点之间的距离，对性能有很大的影响。(不推荐使用了)
基于mysql + GeoHash实现附近人查询
① 设计思路
在原本存储用户经纬度的表中：入库时计算经纬度对应的geohash字符串存储到表中；那么存储时需要我们明确字符串的长度。
那么我们查询的时候就不需要用经纬度查询，可以这样：进行模糊查询，查询到结果集在通过经纬度计算距离；然后筛选指定的距离例如1000m以内，则是附近人。
② 代码实现
③ 问题分析
小伙们都知道geohash算法是将地图划分为多个矩形块，然后在对矩形块编码得到geohash字符串。那是不是会出现这种情况，明明这个人离我很近，但是我们又不在同一个矩形块里，那是不是我搜索的时候就搜不到这个人，那不是血亏(万一是一个漂亮的妹子呢)
④ 解决方案
我们在搜索时，可以根据当前的编码计算出附近的8个区域块的geohash码，然后全部拿到，再一个个的筛选比较；这样那个妹子不就被我搜到加好友了嘛！
⑤ 再次实现
然后查询的结果集进行距离计算，过滤掉大于指定距离的附近人。
基于redis + GeoHash实现附近人查询
① 设计思路
1、查找select指令操作：
2、添加insert指令操作：
大家是不是感觉到有点奇怪，怎么这次的redis命令的时间复杂度都是O(log(n))，这是个啥意思呢？那我们么来一起科普一下：
② 优缺点
③ 代码实现
那么是不是有小伙伴们问：我要分页可咋办？其实在上面已经给出了答案，使用命令中的 将排好序的数据存入一个zset集合中，以后分页查直接从zset集合中取数据即可：
不过也有点不足的地方，就是我们不能根据筛选条件来直接查询，而是要查询到之后手动过滤；比如我们要查询18岁的美少女附近好友；
① 要么按照搜索条件细化分存储一份数据
② 要么就查询之后过滤
基于mongoDB实现附近人查询
① 设计思路
目前阿沐有一个类似直播项目首页推荐就有一个附近好友的功能；它就是基于MongoDB来实现附近好友功能。主要是通过它的两种地理空间索引和，这两种索引底层还是基于geohash来构建的。
索引支持：球星表面点、线、面、多点、多线、多面和几何集合；创建2dsphere索引语法：
索引支持平面几何形状和一些球形查询；支持球面查询但是不太友好，更适合平面查询；创建2d索引语法：
② 代码实现
1、创建数据库，插入几条数据；collection为起名 user(相当于mysql里面的表名)。三个字段user_id用户id,user_name名称，location 为经、纬度数据。
2、因为我们以二维平面上点的方式存储的数据，想要进行LBS查询，那么还是选择设置2d索引：
3、根据自己当前的坐标经纬度查询
4、查看结果集中是否有符合条件的数据，若有数据则会多出刚刚设置的距离字段名distance，表示两点间的距离：
那么到这里是不是对mongo存储经纬度，然后查询附近人获取距离是不是有点了解了；其实性能还是很好地，只不过压力大的时候会出现mongo连接超时，我们可以针对mongo做一个集群；基本上算是比较稳定的了。
基于es搜索引擎实现附近人查询
① 设计思路
其实用es/sphinx/solr等等(后面也会具体聊聊搜索引擎)这类搜索引擎大都能支持查询附近人，因为效率高，查询速度快，而且结果集比较精准；所以还是比较推荐使用这个。
大致流程就是这样：① 用户请求查询附近好友 ② 服务端收到请求，然后通过api(http或者rpc)请求上游搜索引擎组的数据 ③ 搜索组拿到请求参数解析查询对应关系链 ④ 高效率返回给调用者
支持分页查询以及更多条件的查询方案；性能优越、可分页；尤其在大数据量的情况下，其性能更友好。阿沐之前公司就是这样处理，类似个性化推荐；通过用户喜好从几百万商品中检索，整个流程也就是服务端请求搜索组接口。搜索组基本上都是Java开发者，由sorl搜索过度elasticcsearch引擎，再加上使用k8s部署es集群；挺好的！！！
仓库代码地址：
哇哇哇，能有幸看到这里的小伙伴，我很服气你们了，我花了三天的时间去想去画去构思写好的文章；实话实说，写这篇文章压力挺大的；首先底层的算法原理，再者需要实践验证。网络上都是复制来复制去，我就想着走不一样的路线；既然大家都已经看过那么多跟geohash相关的文章，原理算法应该都ok的；假如我再去纠结讲着写，那岂不是有点自取其辱(大牛们都已经讲的很好了)；所以决定通过不同的角度去思考一个问题；以及引发的思考。
本文主要还是通过实践动手结合实际的项目以及过往经验；展示geohash的不同场景下的使用，量级大和量极小怎么选择等等？也通过整理文章时，去解析小伙们会遇到的疑问，这些疑问估计很多文章都没有的，因为都是千篇一律。阿沐要做的就是复杂简单化，能动手实践的绝不只看不练！
座右铭：不管做什么，只要坚持下去就会看到不一样！
最后，欢迎关注我的个人公众号「我是阿沐」，会不定期的更新后端知识点和学习笔记。也欢迎直接公众号私信或者邮箱联系我，我们可以一起学习，一起进步。
好了，我是阿沐，一个不想30岁就被淘汰的打工人 ⛽️ ⛽️ ⛽️ 。创作不易觉得「阿沐」写的有点料话：👍 关注一下，💖 分享一下，我们下期再见。
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/7326.html