开篇寄语
多锻炼自己的表达能力，特别是在工作中。很多人说「干活的不如那些做 PPT 的」，实际上老板都不傻，为何他们会更认可那些做 PPT 的?
因为他们从老板的角度考虑问题，对他而言，需要的是一个「解决方案」。多从一个创造者的视角去考虑问题，而不是局限在用程序员的视角考虑问题;
多想一下这个东西到底给人提供什么价值，而不是「我要怎么实现它」。当然，怎么实现是必须的，但通常不是最重要的。
什么是面向 LBS 应用
经纬度是经度与纬度的合称组成一个坐标系统。又称为地理坐标系统，它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统，能够标示地球上的任何一个位置(小数点后7位，精度可以到1厘米)。
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。
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，为用户提供精准的邂逅服务。
附近的人核心思想如下：
以 “我” 为中心，搜索附近的 Ta;
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。
MySQL 实现
计算「附近的人」，通过一个坐标计算这个坐标附近的其他数据，按照距离排序，如何下手呢?
以用户为中心，给定一个 1000 米作为半径画圆，那么圆形区域内的用户就是我们想要邂逅的「附近的人」。
将经纬度存储到 MySQL：
- 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;
可是总不能遍历所有的「女神」经纬度与自己的经纬度数据计算在根据距离排序，这个计算量也太大了。
我们可以通过区域来过滤出有限「女神」坐标数据，再对矩形区域内的数据进行全量距离计算再排序，这样明显计算量。
如何划分矩形区域呢?
在圆形外套上一个正方形，根据用户经、纬度的最大最小值(经、纬度 + 距离)，作为筛选条件过滤数据，就很容易将正方形内的「女神」信息搜索出来。
多出来的一些区域咋办?
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。
为了满足高性能的矩形区域算法，数据表需要在经纬度坐标加上复合索引 (longitude, latitude)，这样可以最大优化查询性能。
实战
根据经纬度和距离获取外接矩形最大、最小经纬度以及根据经纬度计算j距离使用了一个第三方类库：
- <dependency>
- <groupId>com.spatial4j</groupId>
- <artifactId>spatial4j</artifactId>
- <version>0.5</version>
- </dependency>
获取到外接矩形后，以矩形的最大最小经、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。
- /**
- * 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
- */
- public String nearBySearch(double distance, double userLng, 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);
- }
- // 获取外接矩形
- private Rectangle getRectangle(double distance, double userLng, double userLat) {
- return spatialContext.getDistCalc()
- .calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat),
- distance * DistanceUtils.KM_TO_DEG, spatialContext, null);
- }
- /***
- * 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;
- }
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 nearby_user
- WHERE 1=1
- AND (longitude BETWEEN #{minlng} AND #{maxlng})
- AND (latitude BETWEEN #{minlat} AND #{maxlat})
但是数据库查询性能毕竟有限，如果「附近的人」查询请求非常多，在高并发场合，这可能并不是一个很好的方案。
尝试 Redis Hash 未果
我们一起分析下 LBS 数据的特点：
- 每个「女神」都有一个 ID 编号，每个ID 对应着经纬度信息。
- 「宅男」登陆 app获取「心动女生」的时候，app根据「宅男」的经纬度查找附近的「女神」。
- 获取到位置符合的「女神」ID 列表后，再从数据库获取 ID 对应的「女神」信息返回用户。
数据特点就是一个女神(用户)对应着一组经纬度，让我想到了 Redis 的 Hash 结构。也就是一个 key(女神 ID) 对应着 一个 value(经纬度)。
Hash看起来好像可以实现，但是 LBS 应用除了记录经纬度以外，还需要对 Hash 集合中的数据进行范围查询，根据经纬度换算成距离排序。
而 Hash 集合的数据是无序的，显然不可取。
Sorted Set 初见端倪
Sorted Set 类型是是否合适呢?因为它可以排序。
Sorted Set 类型也是一个 key对应一个 value，key元素内容，而value `就是该元素的权重分数。
Sorted Set可以根据元素的权重分数对元素排序，这样看起来就满足我们的需求了。
比如，Sorted Set 的元素是「女神ID」，元素对应的权重 score 是经纬度信息。
问题来了，Sorted Set 元素的权重值是一个浮点数，经纬度是经度、纬度两个值，咋办呢?能不能将经纬度转换成一个浮点数呢?
思路对了，为了实现对经纬度比较，Redis 采用业界广泛使用的 GeoHash 编码，分别对经度和纬度编码，最后再把经纬度各自的编码组合成一个最终编码。
这样就实现了将经纬度转换成一个值，而 Redis 的 GEO 类型的底层数据结构用的就是 Sorted Set来实现。
我们来看下 GeoHash 如何将经纬度编码的。
GEOHash 编码
关于 GeoHash 可参考 ：https://en.wikipedia.org/wiki/Geohash
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。
GeoHash 编码会把一个经度值编码成一个 N 位的二进制值，我们来对经度范围[-180,180]做 N 次的二分区操作，其中 N 可以自定义。
在进行第一次二分区时，经度范围[-180,180]会被分成两个子区间：[-180,0) 和[0,180](我称之为左、右分区)。
此时，我们可以查看一下要编码的经度值落在了左分区还是右分区。如果是落在左分区，我们就用 0 表示;如果落在右分区，就用 1 表示。
这样一来，每做完一次二分区，我们就可以得到 1 位编码值(不是0 就是 1)。
再对经度值所属的分区再做一次二分区，同时再次查看经度值落在了二分区后的左分区还是右分区，按照刚才的规则再做 1 位编码。当做完 N 次的二分区后，经度值就可以用一个 N bit 的数来表示了。
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。
编码之后，每个地图元素的坐标都将变成一个整数，通过这个整数可以还原出元素的坐标，整数越长，还原出来的坐标值的损失程度就越小。对于「附近的人」这个功能而言，损失的一点精确度可以忽略不计。
比如对经度值等于 169.99 进行 4 位编码(N = 4，做 4 次分区),把经度区间[-180,180]分成了左分区[-180,0) 和右分区[0,180]。
169.99 属于右分区，使用 1 表示第一次分区编码;
再将 169.99 经过第一次划分所属的 [0, 180] 区间继续分成 [0, 90) 和 [90, 180]，169.99 依然在右区间，编码 ‘1’。
将[90, 180] 分为[90, 135) 和 [135, 180]，这次落在左分区，编码 ‘0’。
如此，最后我们就得到一个 4 位的编码。
而纬度的编码思路跟经度也是一样的，不再赘述。
合并经纬度编码
假如计算的经纬度编码分别是 11011 和00101`，目标编码第 0 位则从经度第 0 位的值 1 作为目标值，目标编码的第 1 位则从纬度第 0 位值 0 作为目标值，以此类推：
就这样，经纬度(35.679，114.020)就可以使用 1010011011 表示，而这个值就可以作为 SortedSet 的权重值实现排序。
Redis GEO 实现
GEO 类型是将经纬度的经过 GeoHash 编码的合并值作为 Sorted Set 元素的 score 权重，Redis 的 GEO 有哪些指令呢?
我们需要把登陆 app 的女生 ID 和对应的经纬度存到 Sorted Set 里面。
更多 GEO 类型指令可参考：https://redis.io/commands#geo
GEOADD
Redis 提供了 GEOADD key longitude latitude member 命令，将一组经纬度信息和对应的「女神 ID」记录到 GEO 类型的集合中，如下：一次记录多个用户(苍井空、波多野结衣)的经纬度信息。
- GEOADD girl:localtion 13.361389 38.115556 "苍井空" 15.087269 37.502669 "波多野结衣"
GEORADIUS
我登陆了 app，获取自己的经纬度信息，如何查找以这个经纬度为中心的一定范围内的其他用用户呢?
Redis GEO类型提供了 GEORADIUS指令。
假设自己的经纬度是(15.087269 37.502669)，需要获取附近 10 km 的「女神」并返回给 LBS 应用：
- GEORADIUS girlo:locations 15.087269 37.502669 km ASC COUNT 10
ASC可以实现让「女神」信息按照这个距离自己的经纬度由近到远排序。
COUNT选项表示指定返回的「女神」数量，防止附近太多「女神」，节省带宽资源。
如果觉得自己需要更多女神，那么可以无限制，但是需要注意身体，多吃鸡蛋补一补。
用户下线后，如删除下线的「女神」经纬度呢?
这个问题问得好，GEO 类型是基于 Sorted Set 实现的，所以可以借用 ZREM 命令实现对地理位置信息的删除。
比如删除「苍井空」的位置信息：
- ZREM girl:localtion "苍井空"
小结
GEO 本身并没有设计新的底层数据结构，而是直接使用了 Sorted Set 集合类型。
GEO 类型使用 GeoHash 编码方法实现了经纬度到 Sorted Set 中元素权重分数的转换，这其中的两个关键机制就是对二维地图做区间划分，以及对区间进行编码。
一组经纬度落在某个区间后，就用区间的编码值来表示，并把编码值作为 Sorted Set 元素的权重分数。
在一个地图应用中，车的数据、餐馆的数据、人的数据可能会有百万千万条，如果使用 Redis 的 Geo 数据结构，它们将全部放在一个 zset 集合中。
在 Redis 的集群环境中，集合可能会从一个节点迁移到另一个节点，如果单个 key 的数据过大，会对集群的迁移工作造成较大的影响，在集群环境中单个 key 对应的数据量不宜超过 1M，否则会导致集群迁移出现卡顿现象，影响线上服务的正常运行。
所以，这里建议 Geo 的数据使用单独的 Redis 集群实例部署。
如果数据量过亿甚至更大，就需要对 Geo 数据进行拆分，按国家拆分、按省拆分，按市拆分，在人口特大城市甚至可以按区拆分。
