APP筛选附近的人并排序(geohash算法)

之前做项目时有个tab是附近的人,思路是APP端上传定位(经纬度),服务端通过一个谷歌公式就能计算出两个定位的距离,因为数据本来就比较少,所有先取出所有符合条件的人,再计算出所有人和用户的距离值,然后排序。

        //地球半径,单位米
        private const double EARTH_RADIUS = 6378137;
        /// 
        /// 计算两点位置的距离,返回两点的距离,单位 米
        /// 该公式为GOOGLE提供,误差小于0.2米
        /// 
        /// 第一点纬度
        /// 第一点经度
        /// 第二点纬度
        /// 第二点经度
        /// 
        public static double GetDistance(double lat1, double lng1, double lat2, double lng2)
        {
            double radLat1 = Rad(lat1);
            double radLng1 = Rad(lng1);
            double radLat2 = Rad(lat2);
            double radLng2 = Rad(lng2);
            double a = radLat1 - radLat2;
            double b = radLng1 - radLng2;
            double result = 2 * Math.Asin(Math.Sqrt(Math.Pow(Math.Sin(a / 2), 2) + Math.Cos(radLat1) * Math.Cos(radLat2) * Math.Pow(Math.Sin(b / 2), 2))) * EARTH_RADIUS;
            return result;
        }

        /// 
        /// 经纬度转化成弧度
        /// 
        /// 
        /// 
        private static double Rad(double d)
        {
            return (double)d * Math.PI / 180d;
        }

后来看到网上有一篇针对此话题的文章,研究了一下,受到了一些启发,特此记录。
如果用户数据比较多,把所有数据都取出来再挨个去计算距离排序就很耗性能。

1. 对着地图画格子

对于定位系统来说,我们的地球是被一个一个格子构成的,而每一个格子包含着一定的区域。我们拿北京城区为例,在画格子之前是:


这里写图片描述

将地图放入定位系统后,城区就不再是这个样子了,而是被分割成若干个格子,每一个格子都有格子的“名字”:


这里写图片描述

至于如何定义每一块的名称,后续章节-geohash算法会具体提及,这里不再复述。

2. 找到你所在的格子

定义了格子的名称,当然就有他的用处了,不然这不是白白定义了吗。其实在打开微信附近的人时,系统也会把设备的位置信息给记录,这时候系统依据设备的位置信息,通过geohash算法,计算出所在块名称。比如我们在天安门广场时,系统的计算名称可能是“EFACMDH”,名称有多少个字母主要看系统要求的定位精度最高为多少。我们发现设备位置名称的前5个字母是“EFACM”,正好是在地图中正中间的格子中,也就是包含了天安门的格子。但是设备位置名称后面还包含了“DH”,这说明当前格子包含的位置还不够详细,还不能说明设备所在更为精确的位置。因此我们还需要将格子更为细分,将“EFACM”格子放大,为下图:


这里写图片描述

这个范围内的所有格子前5个字符都是“EFACM”,但是都出现了第六个字符,而且第六个字符不同,其实就是因为这些位置范围都在“EFACM”中,只是对“EFACM”放大细分的结果。
而设备的位置信息为“EFACMDH”,也就是当前的位置范围任然不够精确,还需要继续细分,因此我们找出前六个字符为“EFACMD”的格子,再细分,如下图:


这里写图片描述

依据设备的位置编码,我们找出了设备所处的位置在红色框内,这时候我们把设备的位置信息记录在“EFACMDH”框内:


这里写图片描述

这样就将地图画成了格子,并且将设备的位置也记录在的相应的格子中。

3. 小结

整个定位,其实就是不断地进行着地图区域细化过程,我们依据系统设计的最高经度,计算出设备经纬度所在的区块名称,并将设备与经纬度记录在区块中,如下图:


这里写图片描述

接下来就是通过区块名称,将附件的人揪出来了。

揪出附近的人


上面这些区块与名称,作为用户的我们是看不到也不关心的,我们关心的是附近的人是如何选出来并展现在设备中。

1. 揪出第一批人

什么叫做第一批人,其实就像是微信中第一批大约展示20个人,这20人是离我们最近的20人,为了选出这20位好汉,系统进行了如下步骤:


这里写图片描述
  • 找出所有在设备(浅蓝色点)所在的区块“EFACMDH”中的全部设备(蓝黑色的点);
  • 依据浅蓝色点与所有蓝黑色点的经纬度,计算出亮点之间的距离(这个网上有教程,很容易算),并对两点距离进行排序;
  • 读取蓝黑色所有点的用户信息(头像、名称、微信号等等);
  • 按距离有小到大发送给设备并显示在附近的人中。

通过这些步骤,系统既获得了附近人的位置,又获得了用户信息、与当前设备距离等信息。所以说不只是显示距离,甚至附近的人在哪里都可以查询到,只是可能涉及到了用户隐私,不提供这项功能而已。

2. 还想看其他人

当“EFACMDH”区块记录的用户小于20名,或者用户还想查看更多的附近的人时,就需要扩大查询范围了。其实扩大查询范围无非就是减少一位名称,从查询“EFACMDH”变成查询“EFACMD”。流程如下:


这里写图片描述
  • 将名称英文字母减少一位,由“EFACMDH”变成“EFACMD”;
  • 查询区块名称类似于“EFACMD”的所有区块,例如“EFACMDHA”至“EFACMDY”区块,共同组成“EFACMDH”区块;
  • 找出“EFACMD”的所有位置信息,并依据“1. 揪出第一批人”的方法获得排序后的用户信息
  • 将用户信息回传给设备,并显示。

扩大查询范围其实要比查询当前区块的消耗是要大一些的。因为需要将若干个小区块组合成一个大区块;同时还要进行区块名类似性匹配,比精确匹配的消耗是要高上不少的。这就是为何查询附近的人时,都是先显示少数最近的一些人。

3. 小结

知道了附近的人查询原理,是不是觉得原来实现这么简单。其实中间还设计一些hash匹配、数据存储等,只是这些过于技术,与业务联系不紧密,这里也就没必要过深入地研究了。有兴趣的同学可以查阅redis数据库的geohash模块。

geohash算法


本章节与附近人业务关系不大了,而且内容偏技术性,若不是技术方面的同学可以跳过了。

1. geohash简单原理

上面已经把如何查找附近的人技术原理梳理了一遍,但是留下了一个问题是每一个区块都有一个名字,这个名字是如何来的?接下来将揭晓这个谜团。
为了方便提取位置信息,人为地把地球划分了经度与纬度,依据经纬度,又可以画一些经纬度参考线。犹如地球仪中,人为地划分了若干条经度线与纬度线,依据这些参考线我们可以知道某一些位置在参考线以东或者以西、以南或者以北,从而估算出大概的经度纬度。
geohash算法就是依据这个原理,算法思路就是对参考线进行不断细分,判断当前位置是在参考线以东(右)或者参考线以西(左),以东用1来标记,以西用0来标记,最后组成一个01串,再依据01串按照一定的编码格式转换成容易辨认的英文字符+数字的组合。

2. geohash计算过程

依据上述原理,接下来详细介绍一下geohash的计算过程,这里拿经纬度(116.389550, 39.928167)进行算法说明。

a. 纬度计算

中学学过的地理知识知道,地球分为南纬与北纬,分别都是0~90°,但是在计算机中,用文字定义南纬与北纬较为麻烦,所以计算机中用区间定义[-90,0)与[0,90]分为南北纬,同时叫做左右区间。区分了左右区间,接下来就是整个计算过程:

  • 判断当前纬度39.928167是在左区间还是右区间,发现是在右区间[0,90]中,在右区间标识为1;
  • 接着将区间[0,90]进行左右区间二分,二分后为 [0,45),[45,90],可以确定39.928167属于左区间 [0,45),标记为0;
  • 不断重复上述过程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;
  • 依据最大精度,定义一个最大重复次数,这里我们定义为15,这样就能得出一个01字串;
重复数 纬度范围 左区间 右区间 39.928167
1 [-90.0, 90.0] [-90.0, 0.0) [0.0, 90.0] 1
2 [0, 90.0] [0.0, 45.0) [45.0, 90] 0
3 [0.0, 45.0) [0.0, 22.5) [22.5, 45.0) 1
4 [22.5, 45.0] [22.5, 33.75) [33.75, 45.0] 1
5 [33.75, 45.0] [33.75, 39.375) [39.375, 45.0] 1
6 [39.375, 45.0] [39.375, 42.1875) [42.1875, 45.0] 0
7 [39.375, 42.1875) [39.375, 40.7812) [40.7812, 42.1875) 0
8 [39.375, 40.7812) [39.375, 40.0781) [40.0781, 40.7812) 0
9 [39.375, 40.0781) [39.375, 39.7265) [39.7265, 40.0781) 1
10 [39.7265, 40.0781) [39.7265, 39.9023) [39.9023, 40.0781) 1
11 [39.9023, 40.0781) [39.9023, 39.9902) [39.9902, 40.0781) 0
12 [39.9023, 39.9902) [39.9023, 39.9462) [39.9462, 39.9902) 0
13 [39.9023, 39.9462) [39.9023, 39.9243) [39.9243, 39.9462) 1
14 [39.9243, 39.9462) [39.9243, 39.9353) [39.9353, 39.9462) 0
15 [39.9243, 39.9353) [39.9243, 39.9298) [39.9298, 39.9353) 0
  • 纬度最终得到的01字串为:1 0 1 1 1 0 0 0 1 1 0 0 1 0 0

b. 全局计算

经度计算与纬度计算类似,也是依据区间划分,左右判断来进行,这里就不在复述了,给出最终计算结果为:1 1 0 1 0 0 1 0 1 1 0 0 0 1 0,接下来就是如何通过经度与纬度的01字串,编码成相应的字母+数字的组合。

  • 将经度与纬度的01字串进行合并,合并方法为:基数为放纬度,偶数位放经度,如下表:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 0 1 1 1 0 0 0 1 1 0 0 1 0 0
1 1 0 1 0 0 1 0 1 1 0 0 0 1 0
1 1 0 1 1 0 1 1 1 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 1 0 0 1 0 0
  • 最终字串为:11011, 01110, 00010, 01111, 00001, 00100
  • 将字串转换成十进制,得到:27, 14, 2, 15, 1, 4
  • 对应base32编码表,如下:
数字 字符
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 b
11 c
12 d
13 e
14 f
15 g
16 h
17 j
18 k
19 m
20 n
21 p
22 q
23 r
24 s
25 t
26 u
27 v
28 w
29 x
30 y
31 z
  • 最终得出(116.389550, 39.928167)所在区块为:VF2G14(可能有计算错误,不要在意这些细节)

这就是我们如何通过位置点,计算出位置所在区块的原理了。

3. 计算精度问题

通过上面的计算可以看到,循环计算15次才获得6位geohash字串,那6位geohash的精度是多少呢?如下表:

geohash长度 纬度位数 经度位数 纬度误差 经度误差 距离误差(km)
1 2 3 ± 23 ± 23 ± 2500
2 5 5 ± 2.8 ± 56 ± 630
3 7 8 ± 0.7 ± 0.7 ± 78
4 10 10 ± 0.087 ± 0.18 ± 20
5 12 13 ± 0.022 ± 0.022 ± 2.4
6 15 15 ± 0.0027 ± 0.0055 ± 0.61
7 17 18 ± 0.00068 ± 0.00068 ± 0.076
8 20 20 ± 0.000086 ± 0.000172 ± 0.01911
9 22 23 ± 0.000021 ± 0.000021 ± 0.00478
10 25 25 ± 0.00000268 ± 0.00000536 ± 0.0005971
11 27 28 ± 0.00000067 ± 0.00000067 ± 0.0001492
12 30 30 ± 0,00000008 ± 0.00000017 ± 0.0000186

可以看出geohash的长度达到6个字符的误差是610m,长度达到8以上时精度已经达到了10m级。
但是当前民用领域定位系统的定位误差都在10m以上,如果在城区由于高楼、大树等影响定位系统型号,所以误差可以达到50m(不要看到导航软件那么准就认为没有误差,其实那是经过了强大的数据修正)。所以通过geohash定位附近的人时,8位已经是极限了,定位系统的精度导致再高的精度已经没有了意义

public class GeoHash {
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 static int numbits = 3 * 5; //经纬度单独编码长度

private static double minLat;
private static double minLng;

private 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 lookup = new HashMap();
//初始化编码映射内容
static {
    int i = 0;
    for (char c : digits)
        lookup.put(c, i++);
}

public GeoHash(){
    setMinLatLng();
}

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');
    }
    String code = base32(Long.parseLong(buffer.toString(), 2));
    //Log.i("okunu", "encode  lat = " + lat + "  lng = " + lon + "  code = " + code);
    return code;
}

public ArrayList getArroundGeoHash(double lat, double lon){
    //Log.i("okunu", "getArroundGeoHash  lat = " + lat + "  lng = " + lon);
    ArrayList list = new ArrayList<>();
    double uplat = lat + minLat;
    double downLat = lat - minLat;

    double leftlng = lon - minLng;
    double rightLng = lon + minLng;

    String leftUp = encode(uplat, leftlng);
    list.add(leftUp);

    String leftMid = encode(lat, leftlng);
    list.add(leftMid);

    String leftDown = encode(downLat, leftlng);
    list.add(leftDown);

    String midUp = encode(uplat, lon);
    list.add(midUp);

    String midMid = encode(lat, lon);
    list.add(midMid);

    String midDown = encode(downLat, lon);
    list.add(midDown);

    String rightUp = encode(uplat, rightLng);
    list.add(rightUp);

    String rightMid = encode(lat, rightLng);
    list.add(rightMid);

    String rightDown = encode(downLat, rightLng);
    list.add(rightDown);

    //Log.i("okunu", "getArroundGeoHash list = " + list.toString());
    return list;
}

//根据经纬度和范围,获取对应的二进制
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));
}

private void setMinLatLng() {
    minLat = MAXLAT - MINLAT;
    for (int i = 0; i < numbits; i++) {
        minLat /= 2.0;
    }
    minLng = MAXLNG - MINLNG;
    for (int i = 0; i < numbits; i++) {
        minLng /= 2.0;
    }
}

//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

你可能感兴趣的:(APP筛选附近的人并排序(geohash算法))