mysql lbs 附近的人_4种 LBS “附近的人” 实现方案，人人都能看的懂

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？”，这道题其实主要还是考察大家对于技术的广度，本文介绍几种方案，给大家一点思路，避免在面试过程中语塞而影响面试结果，如有不严谨之处，还望亲人们温柔指正！

“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 | 4,992.6km

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

让大家简单了解什么是GeoHash算法，方便后边内容展开，GeoHash算法内容比较高深，感兴趣的小伙伴自行深耕一下，这里不占用过多篇幅(其实是我懂得太肤浅，哭唧唧~)。

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，毕竟自己造的轮子不是特别圆，还有可能是方的，啊哈哈哈~

com.spatial4j

spatial4j

0.5

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 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 * FROM user

WHERE 1=1

and (longitude BETWEEN ${minlng} AND ${maxlng})

and (latitude BETWEEN ${minlat} AND ${maxlat})

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 queryWrapper = new QueryWrapper()

.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 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：

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

其中，key为集合名称，member为该经纬度所对应的对象。

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 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 users = new ArrayList<>();

// 1.GEORADIUS获取附近范围内的信息

GeoResults> 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>> 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 }

总结

本文重点并不是在具体实现，旨在给大家提供一些设计思路，面试中可能你对某一项技术了解的并不深入，但如果你的知识面宽，可以从多方面说出多种设计的思路，能够侃侃而谈，那么会给面试官极大的好感度，拿到offer的概率就会高很多。而且“附近的人” 功能使用的场景比较多，尤其是像电商平台应用更为广泛，所以想要进大厂的同学，这类的知识点还是应该有所了解的。

代码实现借鉴了一位大佬的开源项目，这里有前三种实现方式的demo，感兴趣的小伙伴可以学习一下，GitHub地址：https://github.com/larscheng/larscheng-learning-demo/tree/master/NearbySearch，。