GeoHash算法原理及实现方式

来源：互联网发布：中国国玺云计算编辑：程序博客网时间：2024/06/05 22:42

一、GeoHash特点

首先，GeoHash用一个字符串表示经度和纬度两个坐标。某些情况下无法在两列上同时应用索引（例如MySQL 4之前的版本，Google App Engine的数据层等），利用GeoHash。只需要在一列上应用索引即可。

其次，GeoHash表示的并不是一个点，而是一个矩形区域。比如编码wx4g0ec19，它表示的是一个矩形区域。使用者可以发布地址编码，既能表明自己位于北海公园附近，又不至于暴露自己的精确坐标，有助于隐私保护。

第三，编码的前缀可以表示更大的区域。例如，wx4g0ec1，它的前缀wx4g0e表示包含编码wx4g0ec1在内的更大范围。这个特性可以用于附近地点搜索。首先根据用户当前坐标计算GeoHash（例如wx4g0ec1），然后取其前缀进行查询（SELECT * FROM place WHERE geohash LIKE 'wx4g0e%'），即可查询附近的所有地点。

GeoHash比直接用经纬度的高效很多。

二、GeoHash的原理

GeoHash的最简单的解释就是：将一个经纬度信息，转换成一个可以排序，可以比较的字符串编码。

首先将纬度范围(-90, 90)平分成两个区间(-90, 0)和(0, 90)，如果目标维度位于前一个区间，则编码为0，否则编码为1。

由于39.92324属于(0, 90)，所以取编码为1。

然后再将(0, 90)分成(0, 45)和(45, 90)两个区间，而39.92324位于(0, 45)，所以编码为0。

以此类推，直到精度符合要求为止，得到纬度编码为1011 1000 1100 0111 1001。

纬度范围

划分区间0

划分区间1

39.92324所属区间

(-90, 90)

(-90, 0.0)

(0.0, 90)

(0.0, 45.0)

(45.0, 90)

(0.0, 45.0)

(0.0, 22.5)

(22.5, 45.0)

(22.5, 33.75)

(33.75, 45.0)

(33.75, 39.375)

(39.375, 45.0)

(39.375, 42.1875)

(42.1875, 45.0)

(39.375, 42.1875)

(39.375, 40.7812)

(40.7812, 42.1875)

(39.375, 40.7812)

(39.375, 40.0781)

(40.0781, 40.7812)

(39.375, 40.0781)

(39.375, 39.7265)

(39.7265, 40.0781)

(39.7265, 39.9023)

(39.9023, 40.0781)

(39.9023, 39.9902)

(39.9902, 40.0781)

(39.9023, 39.9902)

(39.9023, 39.9462)

(39.9462, 39.9902)

(39.9023, 39.9462)

(39.9023, 39.9243)

(39.9243, 39.9462)

(39.9023, 39.9243)

(39.9023, 39.9133)

(39.9133, 39.9243)

(39.9133, 39.9188)

(39.9188, 39.9243)

(39.9188, 39.9215)

(39.9215, 39.9243)

经度也用同样的算法，对(-180, 180)依次细分，得到116.3906的编码为1101 0010 1100 0100 0100。

经度范围

划分区间0

划分区间1

116.3906所属区间

(-180, 180)

(-180, 0.0)

(0.0, 180)

(0.0, 90.0)

(90.0, 180)

(90.0, 135.0)

(135.0, 180)

(90.0, 135.0)

(90.0, 112.5)

(112.5, 135.0)

(112.5, 123.75)

(123.75, 135.0)

(112.5, 123.75)

(112.5, 118.125)

(118.125, 123.75)

(112.5, 118.125)

(112.5, 115.312)

(115.312, 118.125)

(115.312, 116.718)

(116.718, 118.125)

(115.312, 116.718)

(115.312, 116.015)

(116.015, 116.718)

(116.015, 116.367)

(116.367, 116.718)

(116.367, 116.542)

(116.542, 116.718)

(116.367, 116.542)

(116.367, 116.455)

(116.455, 116.542)

(116.367, 116.455)

(116.367, 116.411)

(116.411, 116.455)

(116.367, 116.411)

(116.367, 116.389)

(116.389, 116.411)

(116.389, 116.400)

(116.400, 116.411)

(116.389, 116.400)

(116.389, 116.394)

(116.394, 116.400)

接下来将经度和纬度的编码合并，奇数位是纬度，偶数位是经度，得到编码是11100 11101 00100 01111 00000 01101 01011 00001。

最后，用0-9、b-z(去掉a, i, l, o)这32个字符进行base32编码，得到(39.92324, 116.3906)的编码为wx4g0ec1。

十进制

base32

十进制

base32

解码算法与编码算法相反，先进行base32解码，然后分离出经纬度，最后根据二进制编码对经纬度范围进行细分即可。这里不再赘述。

三、实现代码（Java）

package al.geohash;import java.util.BitSet;import java.util.HashMap;public class GeoHash {private static int numbits = 6 * 5;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'};final static HashMap<Character, Integer> lookup = new HashMap<Character, Integer>();static {int i = 0;for(char c : digits)lookup.put(c, i++);}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();// even bitsint 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);}// odd bitsj = 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};}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;elseceiling = mid;}return mid;}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));}private BitSet getBits(double d, double floor, double ceiling) {BitSet buffer = new BitSet(numbits);for(int i = 0; i < numbits; i++) {double mid = (floor + ceiling) / 2;if(d >= mid) {buffer.set(i);floor = mid;} else {ceiling = mid;}}return buffer;}private static 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) {System.out.println(new GeoHash().encode(39.92324, 116.3906));//输出：wx4g0ec19x3d}}

四、观点讨论

上文讲解了GeoHash的计算步骤，还是非常简单的。但是为什么分别对经纬度细分并编码就可以找到附近的点呢？下来我们尝试说明一下。

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，右下角10，右上角11，也就是类似于竖放的Z字曲线，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），每一个子块也形成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。

五、使用注意点

1）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。

2）我们已经知道了现有的GeoHash算法使用的是Peano空间填充线，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的时候，首先筛选GeoHash编码相似的POI点，然后进行实际距离计算。

六、参考

http://blog.jobbole.com/80633

http://http://www.cnblogs.com/dengxinglin/archive/2012/12/14/2817761.html

阅读全文

0 0