ELK-Elasticsearch地理信息存储及查询之Geo_Point

た入场券 2022-11-07 05:51 401阅读 0赞

https://www.cnblogs.com/kangoroo/p/6050692.html
    https://blog.csdn.net/coffee_shop/article/details/107110707
    导语：Elasticsearch提供了丰富的搜索和分析功能，地理位置功能可以让我们把基于地理位置的搜索、聚合、计算与全文搜索、结构化搜索和分析结合到一起。在这里易观的技术小哥哥，就跟大家做一个交流和探讨。
    
    
    
    一、基本概念
    1. GeoHash
    GeoHash是一种将经纬度坐标(lat/lon)编码成字符串的方式，通过牺牲一定的精度，来获得高效的检索性能。
    
    其原理是，将平面预先划分成多级矩形区域，在按照从大矩形到小矩形的顺序，将位置信息依次编码成二进制码，最后按照一定编码方式，转换成字符串。如：
    
    比如这样一个点（39.923201, 116.390705） ,我们以纬度为例：
    
    纬度的范围是（-90，90），其中间值为0。对于纬度39.923201，在区间（0，90）中，因此得到一个1；（0，90）区间的中间值为45度，纬度39.923201小于45，因此得到一个0，依次计算下去，即可得到纬度的二进制表示，如下表：

![在这里插入图片描述][20210311153736311.png]

最后得到纬度的二进制表示为：
    
    10111000110001111001
    
    同理可以得到经度116.390705的二进制表示为：
    
    11010010110001000100
    
    合并纬度、经度的二进制：
    合并方法是将经度、纬度二进制按照奇偶位合并：
    11100 11101 00100 01111 00000 01101 01011 00001
    
    按照Base32进行编码：
    
    将上述合并后二进制编码后结果为：
    wx4g0ec1
    
    GeoHash的特点：
    
    精度越高，字符串越长，
    
    前缀匹配度越高，距离越近
    
    2. geo_point
    地理坐标点，在Elasticsearch中用来存经纬度数据的一种数据格式。
    
    3. geo_shape
    地理形状，Elasticsearch中用于存储复杂形状的一种数据格式，可以用来存储，点集、线、多边形、多边形集等多种集合形状。Geo-shapes 不能用于计算距离、排序、打分以及聚合。
    
    使用geo_shope时，可以指定precision（精度）和距离误差。
    
    本文将重点介绍geo_point相关功能，在以后的文章中，将会进一步介绍geo_shape
    
    二、geo_point存储及查询
    1. geo_point存储
    geo_point是Elasticsearch中用于存储坐标点的数据格式，每一个坐标点都有经度和维度信息，geo_point格式的字段无法做自动映射，需要指定数据类型:

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDk3NjI2MQ_size_16_color_FFFFFF_t_70]

对于geo\_point这种数据格式，Elasticsearch提供了三种不同的索引和展现形式：

假设经度：127.25456，纬度：25.236

(1) 对象：

![在这里插入图片描述][20210311153927433.png]

(2) 数组：  
![在这里插入图片描述][20210311153934456.png]

(3) 字符串

![在这里插入图片描述][20210311153940730.png]

注意：
    
    l 使用字符串存储时，顺序是“纬度，经度”,使用数组存储时，顺序是“经度，纬度”。
    | 如果geo_point为字符串或者对象时，先纬度，后经度，如果geo_point为数组时，先经度，后纬度
    2.查询
    geo_point支持geo_bounding_box、geo_distance、geo_polygon查询
    3.在ES2.x版本时字符串数据只用string类型，没有keyword和text类型。
    	ES5.x后，取消了 string类型，增加了keyword类型和text类型。
    
    
    （1）geo_bounding_box查询
    
    地理坐标盒模型：输入左上角和右下角坐标，即检索在地图上指定的矩形范围内的所有点。
    
    geo_bounding_box是一种极其简单的查询方式，即使不使用geo_point，我们直接使用double类型存储经度和纬度数据，使用range查询一样可以实现这个功能。如果是多值，我们需要使用nested_object类型来实现。
    
    geo_bounding_box默认使用内存过滤，这样需要一条一条计算，这是一种比较低效的查询方式，我们可以指定使用“indexed”方式，这样能够利用倒排索引实现高效检索，但是必须使用对象方式存储数据，但是，这种方式只有对单值存储有效。
    
    
    
    （2）geo_distance查询
    
    简而言之，这种查询，就是指定圆心和半径，圈出园内的点。Elasticsearch执行过程，是先使用圆的外切正方形快速筛选出点，在判断正方形内的每个点与圆心的距离，由此可见如果能使用倒排索引的range查询同样可以提高查询效率，所以，在设计索引和数据格式的时候，使用单值、对象方式存储经纬度数据，是比较理想的。
    
    计算距离时，Elasticsearch提供了两种计算方式：ark、plane。
    
    ark方式，将地球当做球体来处理，精确度高，但计算较慢，这是默认的计算方式；
    
    plane方式，将地球当做平面来处理，精确度略低，但计算较快。
    
    在锆云项目中，我们使用plane计算方式，在大多数应用场景中，几米的误差，完全可以忽略不计。
    
    
    
    （3）geo_polygon 查询
    
    输入多个坐标构成的不规则多边形，筛选出这个多边形中的点，这是一种性能极低检索方式，无法使用倒排索引提高查询性能。
    
    3.聚合
    （1）geo_distance聚合
    
    基于geo_point的多桶聚合，类似于range聚合，指定点以及距离分段，由此得到，到点不同距离内的点的数量

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDk3NjI2MQ_size_16_color_FFFFFF_t_70 1]

同样，距离计算选ark，plane两种方式。
    
    
    
    （2）geohash_grid聚合
    
    我们知道，geohash的每一个值代表一个方格，geohash_grid聚合是指，将地图上的点，按照指定的精度，划分到各个方格中去，并返回各方格中点的个数，GeoHash的特点，对于这种“方格聚合”能够提供很好的支持，自然，精度越高，性能越差，所以，使用geohash_grid聚合，需要高精度的时候，尽量缩小数据集，在聚合之前使用filter过滤数据集。
    
    
    
    （3）geo_bounds聚合
    
    geo_bounds聚合可以快速找出能够包含所选点集的最小矩形，使用max ，min同样可以实现该操作。
    
    
    
    （4）centroid聚合
    
    中心点聚合，找出离散点集和的中心点。单独使用中心点聚合的场景并不多，多余geohash_grid聚合联合使用，以计算出每个区域中的中心点，对于提取从无规则离散点中提取有效坐标非常有效。
    
    
    
    ES GEO空间检索
    
    空间检索顾名思义提供了通过空间距离和位置关系进行检索的能力。有很多空间索引算法和类库可供选择。
    
    ES内置了这种索引方式。下面详细介绍。
    
    step1：创建索引
    
    复制代码
    def create_index():
        mapping = {
            "mappings": {
                "poi": {
                    "_routing": {
                        "required": "true",
                        "path": "city_id"
                    },
                    "properties": {
                        "id": {
                            "type": "integer"
                        },
                        "geofence_type": {
                            "type": "integer"
                        },
                        "city_id": {
                            "type": "integer"
                        },
                        "city_name": {
                            "type": "string",
                            "index": "not_analyzed"
                        },
                        "activity_id": {
                            "type": "integer"
                        },
                        "post_date": {
                            "type": "date"
                        },
                        "rank": {
                            "type": "float"
                        },
                        # 不管是point还是任意shape, 都用geo_shape,通过type来设置
                        # type在数据里
                        "location_point": {
                            "type": "geo_shape"
                        },
                        "location_shape": {
                            "type": "geo_shape"
                        },
                        # 在计算点间距离的时候, 需要geo_point类型变量
                        "point": {
                            "type": "geo_point"
                        }
                    }
                }
            }
        }
        # 创建索引的时候可以不 mapping
        es.create_index(index='mapapp', body=mapping)
        # set_mapping = es_dsl.set_mapping('mapapp', 'poi', body=mapping)
    	复制代码
    	刷入测试数据，geo_data数据形如：
    
    	id    geofence_type    city_id    city_name    activity_id    post_date    rank    location_point    location_shape    point
    	1    1    1    北京    100301    2016/10/20    100.30     {"type":"point","coordinates":[55.75,37.616667]}    {"type":"polygon","coordinates":[[[22,22],[4.87463,52.37254],[4.87875,52.36369],[22,22]]]}    {"lat":55.75,"lon":37.616667}
    	2    1    1    北京    100302    2016/10/21    12.00     {"type":"point","coordinates":[55.75,37.616668]}    {"type":"polygon","coordinates":[[[0,0],[4.87463,52.37254],[4.87875,52.36369],[0,0]]]}    {"lat":48.8567,"lon":2.3508}
    	3    1    1    北京    100303    2016/10/22    3432.23     {"type":"point","coordinates":[55.75,37.616669]}    {"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}    {"lat":32.75,"lon":37.616668}
    	4    1    1    北京    100304    2016/10/23    246.80     {"type":"point","coordinates":[52.4796, 2.3508]}    {"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}    {"lat":11.56,"lon":37.616669}
    
    https://blog.csdn.net/qq_28165595/article/details/85101656
    当location的类型 type=geo_point(而不是geo_shape)时候的圆形查询方式
    	查询给定1000米距离范围内的点，我最近的项目就是要实现数据点击地图上某个点，展示该点方圆多少公里的其他点
    	GET test/test/_search
    	{
    	  "query": {
    	    "geo_distance": {
    	      "distance": "1000m",
    	      "location": {
    	        "lat": 23.131304,
    	        "lon": 113.262402
    	      }
    	    }
    	  }
    	}
    	查询距离为1km上的点
    	{
    	    "query": {
    	        "bool" : {
    	            "must" : {
    	                "match_all" : {}
    	            },
    	            "filter" : {
    	                "geo_distance" : {
    	                    "distance" : "1km",
    	                    "location" : {
    	                        "lat" : 23.131304,
    	                        "lon" : 113.262402
    	                    }
    	                }
    	            }
    	        }
    	    }
    	}

[20210311153736311.png]: /images/20221023/5ee8b9b399f44b3c8e93413ed4783736.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDk3NjI2MQ_size_16_color_FFFFFF_t_70]: /images/20221023/4a266038a2a94652b837563d08ff4ef8.png
[20210311153927433.png]: /images/20221023/62d090373cb84d9bb1b52e4e6bcbdca8.png
[20210311153934456.png]: /images/20221023/d0323da06bd847118bdc51125d387e02.png
[20210311153940730.png]: /images/20221023/e6c53dfd70a34b02931cccdc75350db9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDk3NjI2MQ_size_16_color_FFFFFF_t_70 1]: /images/20221023/1bd1c0c531d340ecaecd3d36a5903d98.png