基于GeoHash算法的LBS应用相关知识整理

2024-02-15 21:10

本文主要是介绍基于GeoHash算法的LBS应用相关知识整理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目前移动终端相当普及,一部手机就是一个移动位置源,很多应用都基于LBS功能,附近的某某(餐馆、银行、KTV等等)。一般地,基础信息数据中都会维护了标记位置的经纬度,利用用户提供的经纬度,进行对比,从而获得是否在附近。Geohash可以很好解决距离和范围的问题。

Geohash在线工具:http://geohash.co/

目录

GeoHash应用场景

认识GeoHash

GeoHash算法

GeoHash原理

 GeoHash缺陷

使用注意点

计算围栏内所有Geohash

Redis Geohash测试

Geohash编码例子

GeoHash原理

转码处理过程

边界问题

距离问题

Geohash 工具类

参考文章


 

GeoHash应用场景

  • 半径范围内热点位置数据列表(附近人、商店、美食等等)
  • 范围内点位置数据GIS地图聚合(地图海量点数据聚合展示)
  • 大规模经纬度轨迹范围查询(轨迹的范围分析)

⽐较通⽤的地理位置距离排序算法是 GeoHash 算法,Redis 也使⽤ GeoHash 算法。GeoHash 算法将⼆维的经纬度数据映射到⼀维的整数,这样所有的元素都将在挂载到⼀条线上,距离靠近的⼆维坐标映射到⼀维后的点之间距离也会很接近。当我们想要计算「附近的⼈时」,⾸先将⽬标位置映射到这条线上,然后在这个⼀维的线上获取附近的点就⾏了。那这个映射算法具体是怎样的呢?它将整个地球看成⼀个⼆维平⾯,然后划分成了⼀系列正⽅形的⽅格,就好⽐围棋棋盘。所有的地图元素坐标都将放置于唯⼀的⽅格中。⽅格越⼩,坐标越精确。然后对这些⽅格进⾏整数编码,越是靠近的⽅格编码越是接近。那如何编码呢?⼀个最简单的⽅案就是切蛋糕法。设想⼀个正⽅形的蛋糕摆在你⾯前,⼆⼑下去均分分成四块⼩正⽅形,这四个⼩正⽅形可以分别标记为 00,01,10,11 四个⼆进制整数。然后对每⼀个⼩正⽅形继续⽤⼆⼑法切割⼀下,这时每个⼩⼩正⽅形就可以使⽤ 4bit 的⼆进制整数予以表示。然后继续切下去,正⽅形就会越来越⼩,⼆进制整数也会越来越⻓,精确度就会越来越⾼。

GeoHash是目前比较主流实现位置服务的技术,Geohash算法将经纬度二维数据编码为一个字符串,本质是一个降维的过程。

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。

认识GeoHash

        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。

GeoHash算法

        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原理

        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。

 GeoHash缺陷

        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。

使用注意点

    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。

计算围栏内所有Geohash

        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

Redis Geohash测试

127.0.0.1:6379> geoadd company 116.48105 39.996794 juejin
(integer) 1
127.0.0.1:6379> geoadd company 116.514203
(error) ERR wrong number of arguments for 'geoadd' command
127.0.0.1:6379> geoadd company 116.514203 39.905409 ireader
(integer) 1
127.0.0.1:6379> geoadd company 116.489033 40.007669 meituan
(integer) 1
127.0.0.1:6379> geoadd company 116.562108 39.787602 jd 116.334255 40.027400 xiaomi
(integer) 2

注意 :为什么 Redis 没有提供 geo 删除指令?前⾯我们提到 geo 存储结构上使⽤的是 zset,意味着我们可以使⽤ zset 相关的 指令来操作 geo 数据,所以删除指令可以直接使⽤ zrem 指令即 可。

以下内容参考:https://github.com/GongDexing/Geohash 
 

Geohash编码例子

地点经纬度Geohash
鸟巢116.402843,39.999375wx4g8c9v
水立方116.3967,39.99932wx4g89tk
故宫116.40382,39.918118wx4g0ffe

水立方就在鸟巢在附近,距离600米左右,而故宫到鸟巢直线距离9公里左右,体现在Geohash上,鸟巢和水立方的前五位是一样的,而鸟巢和故宫只有前4位是一样的,也就是说Geohash前面相同的越多,两个位置越近,但是反过来说,却不一定正确,这个在后面会详细介绍。

GeoHash原理

将经纬度转换为Geohash大体可以分为三步曲:

  • 将纬度(-90, 90)平均分成两个区间(-90, 0)、(0, 90),如果坐标位置的纬度值在第一区间,则编码是0,否则编码为1。我们用 39.918118 举例,由于39.918118 属于 (0, 90),所以编码为1,然后我们继续将(0, 90)分成(0, 45)、(45, 90)两个区间,而39.918118 位于(0, 45),所以编码是0,依次类推,我们进行20次拆分,最后计算39.918118 的编码是 10111000110001011011;经度的处理也是类似,只是经度的范围是(-180, 180),116.40382的编码是11010010110001101010
  • 经纬度的编码合并,从0开始,奇数为是纬度,偶数为是经度,得到的编码是1110011101001000111100000011100111001101
  • 对经纬度合并后的编码,进行base32编码,最终得到wx4g0ffe

 

转码处理过程

1.将经纬度转换为二进制编码:

 private void convert(double min, double max, double value, List<Character> list) {if (list.size() > (length - 1)) {return;}double mid = (max + min) / 2;if (value < mid) {list.add('0');convert(min, mid, value, list);} else {list.add('1');convert(mid, max, value, list);}}

2.合并经纬度的二进制编码

        List<Character> latList = new ArrayList<Character>();List<Character> lngList = new ArrayList<Character>();convert(Min_Lat, Max_Lat, lat, latList);convert(Min_Lng, Max_Lng, lng, lngList);StringBuilder sb = new StringBuilder();for (int index = 0; index < latList.size(); index++) {sb.append(lngList.get(index)).append(latList.get(index));}

3.base32编码

 private final String[] base32Lookup ={"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"};private String base32Encode(final String str) {String unit = "";StringBuilder sb = new StringBuilder();for (int start = 0; start < str.length(); start = start + 5) {unit = str.substring(start, start + 5);sb.append(base32Lookup[convertToIndex(unit.split(""))]);}return sb.toString();}private int convertToIndex(String str) {int length = str.length();int result = 0;for (int index = 0; index < length; index++) {result += str.charAt(index) == '0' ? 0 : 1 << (length - 1 - index);}return result;}

边界问题

两个位置距离得越近是否意味着Geohash前面相同的越多呢?答案是否定的,两个很近的地点[116.3967,44.9999]和[116.3967,45.0009]的Geohash分别是wxfzbxvr和y84b08j2,这就是Geohash存在的边界问题,这两个地点虽然很近,但是刚好在分界点45两侧,导致Geohash完全不同,单纯依靠Geohash匹配前缀的方式并不能解决这种问题。

在一维空间解决不了这个问题,回到二维空间中,将当前Geohash这块区域周围的八块区域的Geohash计算出来 [116.3967,44.9999] 周围8块区域的Geohash

y84b08j2, wxfzbxvq, wxfzbxvx, wxfzbxvp, y84b08j8, y84b08j0, wxfzbxvw, wxfzbxvn

[116.3967,45.0009] 周围8块区域的Geohash

y84b08j3, wxfzbxvr, y84b08j8, y84b08j0, y84b08j9, y84b08j1, wxfzbxvx, wxfzbxvp

[116.3967,44.9999]和[116.3967,45.0009]分别出现在各自附近的区域中,周围8个区域的Geohash怎么计算得到呢?很简单,当Geohash长度是8时,对应的每个最小单元

    double latUnit = (Max_Lat - Min_Lat) / (1 << 20);double lngUnit = (Max_Lng - Min_Lng) / (1 << 20);

这样可以计算出8个分别分布在周围8个区域的地点,根据地点便可以计算出周围8个区域的Geohash

[lat + latUnit, lng]
[lat - latUnit, lng]
[lat, lng + lngUnit]
[lat, lng - lngUnit]
[lat + latUnit, lng + lngUnit]
[lat + latUnit, lng - lngUnit]
[lat - latUnit, lng + lngUnit]
[lat - latUnit, lng - lngUnit]

距离问题

打开饿了么这样的应用,除了可以看到附近的商家外,还能清晰看到离每个商家的距离,这个距离的怎么计算出呢?这完全是一个数学问题,把地球看着一个球体,先根据经纬度算出空间坐标,进而算出两点直线距离,最后算出弧长,便是两个位置的距离

  public static double distance(double lat1, double lng1, double lat2, double lng2) {double x1 = Math.cos(lat1) * Math.cos(lng1);double y1 = Math.cos(lat1) * Math.sin(lng1);double z1 = Math.sin(lat1);double x2 = Math.cos(lat2) * Math.cos(lng2);double y2 = Math.cos(lat2) * Math.sin(lng2);double z2 = Math.sin(lat2);double lineDistance =Math.sqrt((x1 - x2) * (x1 - x2) + (y1 - y2) * (y1 - y2) + (z1 - z2) * (z1 - z2));double realDistance = EARTH_RADIUS * Math.PI * 2 * Math.asin(0.5 * lineDistance) / 180;return realDistance;}

在实际应用中,先根据Geohash筛选出附近的地点,然后再算出距离附近地点的距离。

Geohash 工具类

Location.java

package org.geohash.util;/*** 位置类*/
public class Location {public static final double MINLAT = -90;public static final double MAXLAT = 90;public static final double MINLNG = -180;public static final double MAXLNG = 180;private double lat;//纬度[-90,90]private double lng;//经度[-180,180]public Location(double lat, double lng) {this.lat = lat;this.lng = lng;}public double getLat() {return lat;}public void setLat(double lat) {this.lat = lat;}public double getLng() {return lng;}public void setLng(double lng) {this.lng = lng;}}

GeoHash.java

package org.geohash.util;import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;/*** GeoHash算法*/
public class GeoHash {private Location location;/*** 1 2500km;2 630km;3 78km;4 30km* 5 2.4km; 6 610m; 7 76m; 8 19m*/private int hashLength = 8; //经纬度转化为geohash长度private int latLength = 20; //纬度转化为二进制长度private int lngLength = 20; //经度转化为二进制长度private double minLat;//每格纬度的单位大小private double minLng;//每个经度的倒下private static final char[] CHARS = {'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'};public GeoHash(double lat, double lng) {location = new Location(lat, lng);setMinLatLng();}public int gethashLength() {return hashLength;}/*** @Description: 设置经纬度的最小单位*/private void setMinLatLng() {minLat = Location.MAXLAT - Location.MINLAT;for (int i = 0; i < latLength; i++) {minLat /= 2.0;}minLng = Location.MAXLNG - Location.MINLNG;for (int i = 0; i < lngLength; i++) {minLng /= 2.0;}}/*** @return* @Description: 求所在坐标点及周围点组成的九个*/public List<String> getGeoHashBase32For9() {double leftLat = location.getLat() - minLat;double rightLat = location.getLat() + minLat;double upLng = location.getLng() - minLng;double downLng = location.getLng() + minLng;List<String> base32For9 = new ArrayList<String>();//左侧从上到下 3个String leftUp = getGeoHashBase32(leftLat, upLng);if (!(leftUp == null || "".equals(leftUp))) {base32For9.add(leftUp);}String leftMid = getGeoHashBase32(leftLat, location.getLng());if (!(leftMid == null || "".equals(leftMid))) {base32For9.add(leftMid);}String leftDown = getGeoHashBase32(leftLat, downLng);if (!(leftDown == null || "".equals(leftDown))) {base32For9.add(leftDown);}//中间从上到下 3个String midUp = getGeoHashBase32(location.getLat(), upLng);if (!(midUp == null || "".equals(midUp))) {base32For9.add(midUp);}String midMid = getGeoHashBase32(location.getLat(), location.getLng());if (!(midMid == null || "".equals(midMid))) {base32For9.add(midMid);}String midDown = getGeoHashBase32(location.getLat(), downLng);if (!(midDown == null || "".equals(midDown))) {base32For9.add(midDown);}//右侧从上到下 3个String rightUp = getGeoHashBase32(rightLat, upLng);if (!(rightUp == null || "".equals(rightUp))) {base32For9.add(rightUp);}String rightMid = getGeoHashBase32(rightLat, location.getLng());if (!(rightMid == null || "".equals(rightMid))) {base32For9.add(rightMid);}String rightDown = getGeoHashBase32(rightLat, downLng);if (!(rightDown == null || "".equals(rightDown))) {base32For9.add(rightDown);}return base32For9;}/*** @param length* @return* @Description: 设置经纬度转化为geohash长度*/public boolean sethashLength(int length) {if (length < 1) {return false;}hashLength = length;latLength = (length * 5) / 2;if (length % 2 == 0) {lngLength = latLength;} else {lngLength = latLength + 1;}setMinLatLng();return true;}/*** @return* @Description: 获取经纬度的base32字符串*/public String getGeoHashBase32() {return getGeoHashBase32(location.getLat(), location.getLng());}/*** @param lat* @param lng* @return* @Description: 获取经纬度的base32字符串*/private String getGeoHashBase32(double lat, double lng) {boolean[] bools = getGeoBinary(lat, lng);if (bools == null) {return null;}StringBuffer sb = new StringBuffer();for (int i = 0; i < bools.length; i = i + 5) {boolean[] base32 = new boolean[5];for (int j = 0; j < 5; j++) {base32[j] = bools[i + j];}char cha = getBase32Char(base32);if (' ' == cha) {return null;}sb.append(cha);}return sb.toString();}/*** @param base32* @return* @Description: 将五位二进制转化为base32*/private char getBase32Char(boolean[] base32) {if (base32 == null || base32.length != 5) {return ' ';}int num = 0;for (boolean bool : base32) {num <<= 1;if (bool) {num += 1;}}return CHARS[num % CHARS.length];}/*** @param lat* @param lng* @return* @Description: 获取坐标的geo二进制字符串*/private boolean[] getGeoBinary(double lat, double lng) {boolean[] latArray = getHashArray(lat, Location.MINLAT, Location.MAXLAT, latLength);boolean[] lngArray = getHashArray(lng, Location.MINLNG, Location.MAXLNG, lngLength);return merge(latArray, lngArray);}/*** @param latArray* @param lngArray* @return* @Description: 合并经纬度二进制*/private boolean[] merge(boolean[] latArray, boolean[] lngArray) {if (latArray == null || lngArray == null) {return null;}boolean[] result = new boolean[lngArray.length + latArray.length];Arrays.fill(result, false);for (int i = 0; i < lngArray.length; i++) {result[2 * i] = lngArray[i];}for (int i = 0; i < latArray.length; i++) {result[2 * i + 1] = latArray[i];}return result;}/*** @param value* @param min* @param max* @return* @Description: 将数字转化为geohash二进制字符串*/private boolean[] getHashArray(double value, double min, double max, int length) {if (value < min || value > max) {return null;}if (length < 1) {return null;}boolean[] result = new boolean[length];for (int i = 0; i < length; i++) {double mid = (min + max) / 2.0;if (value > mid) {result[i] = true;min = mid;} else {result[i] = false;max = mid;}}return result;}public static void main(String[] args) {// TODO Auto-generated method stubGeoHash g = new GeoHash(40.222012, 116.248283);System.out.println(g.getGeoHashBase32());// System.out.println(JsonUtil.parseJson(g.getGeoHashBase32For9()));}}

示例运行结果:

 另一个实现版本:

import java.util.BitSet;  
import java.util.HashMap;public class GeoHash {private static int numbits = 6 * 5; //经纬度单独编码长度  //32位编码对应字符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' };  //定义编码映射关系  final static HashMap<Character, Integer> lookup = new HashMap<Character, Integer>();  //初始化编码映射内容static {  int i = 0;  for (char c : digits)  lookup.put(c, i++);  }  //对编码后的字符串解码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();  //偶数位,经度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);  }  //奇数位,纬度 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};       }  //根据二进制和范围解码private double decode(BitSet bs, double floor, double ceiling) {  double mid = 0;  for (int i=0; i<bs.length(); i++) {  mid = (floor + ceiling) / 2;  if (bs.get(i))  floor = mid;  else  ceiling = mid;  }  return mid;  }  //对经纬度进行编码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));  }  //根据经纬度和范围,获取对应二进制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;  }  //将经纬度合并后的二进制进行指定的32位编码private 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));  }  public static void main(String[] args)  throws Exception{  GeoHash geohash = new GeoHash();String s = geohash.encode(45, 125);System.out.println(s);double[] geo = geohash.decode(s);System.out.println(geo[0]+" "+geo[1]);}  
}

参考文章

Geohash原理

Geohash查找附近人

Geohash精度和原理

geohash算法原理及实现方式

JAVA实现空间索引编码(GeoHash)

阿里技术官方号——基于快速GeoHash,如何实现海量商品与商圈的高效匹配?

这篇关于基于GeoHash算法的LBS应用相关知识整理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/712548

相关文章

C语言中位操作的实际应用举例

《C语言中位操作的实际应用举例》:本文主要介绍C语言中位操作的实际应用,总结了位操作的使用场景,并指出了需要注意的问题,如可读性、平台依赖性和溢出风险,文中通过代码介绍的非常详细,需要的朋友可以参... 目录1. 嵌入式系统与硬件寄存器操作2. 网络协议解析3. 图像处理与颜色编码4. 高效处理布尔标志集合

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

一文详解Java异常处理你都了解哪些知识

《一文详解Java异常处理你都了解哪些知识》:本文主要介绍Java异常处理的相关资料,包括异常的分类、捕获和处理异常的语法、常见的异常类型以及自定义异常的实现,文中通过代码介绍的非常详细,需要的朋... 目录前言一、什么是异常二、异常的分类2.1 受检异常2.2 非受检异常三、异常处理的语法3.1 try-

Java中的Lambda表达式及其应用小结

《Java中的Lambda表达式及其应用小结》Java中的Lambda表达式是一项极具创新性的特性,它使得Java代码更加简洁和高效,尤其是在集合操作和并行处理方面,:本文主要介绍Java中的La... 目录前言1. 什么是Lambda表达式?2. Lambda表达式的基本语法例子1:最简单的Lambda表

Python结合PyWebView库打造跨平台桌面应用

《Python结合PyWebView库打造跨平台桌面应用》随着Web技术的发展,将HTML/CSS/JavaScript与Python结合构建桌面应用成为可能,本文将系统讲解如何使用PyWebView... 目录一、技术原理与优势分析1.1 架构原理1.2 核心优势二、开发环境搭建2.1 安装依赖2.2 验

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

SpringShell命令行之交互式Shell应用开发方式

《SpringShell命令行之交互式Shell应用开发方式》本文将深入探讨SpringShell的核心特性、实现方式及应用场景,帮助开发者掌握这一强大工具,具有很好的参考价值,希望对大家有所帮助,如... 目录引言一、Spring Shell概述二、创建命令类三、命令参数处理四、命令分组与帮助系统五、自定

SpringBoot应用中出现的Full GC问题的场景与解决

《SpringBoot应用中出现的FullGC问题的场景与解决》这篇文章主要为大家详细介绍了SpringBoot应用中出现的FullGC问题的场景与解决方法,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录Full GC的原理与触发条件原理触发条件对Spring Boot应用的影响示例代码优化建议结论F

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

MySQL 分区与分库分表策略应用小结

《MySQL分区与分库分表策略应用小结》在大数据量、复杂查询和高并发的应用场景下,单一数据库往往难以满足性能和扩展性的要求,本文将详细介绍这两种策略的基本概念、实现方法及优缺点,并通过实际案例展示如... 目录mysql 分区与分库分表策略1. 数据库水平拆分的背景2. MySQL 分区策略2.1 分区概念