读书笔记-HBase in Action-第三部分应用-(2)GIS系统

本章介绍用HBase存储、高效查询地理位置信息。

Geohash空间索引

考虑LBS应用中常见的两个问题：1）查找离某地最近的k个地点；2）查找某区域内地点。如果要用HBase实现高效查找，首先要考虑的是空间局部性（Spatial Locality），即位置上相近的点得物理存储在一起。最简单的地理位置数据由两个维度组成：经度X和纬度Y，那么相对应最简单的Rowkey也可以由X和Y组成。Rowkey的有序性决定了数据首先按照经度X排序，再按照纬度Y排序，这种方式最大的问题是经度值相等的A地点和B地点，可能纬度上相差十万八千里。

Geohash的解决思路是将经度和纬度以相同的权重构建空间索引。具体算法如下图：在经度范围[-180，180]，纬度范围[-90,90]内不断进行二分查找，如果值位于上半区则记标识位为1，位于下半区则记标识位为0。最终结果由经度纬度标识位交叉组成。（注：在HBase中可以存储标识位的Base32编码串，每个字符是5个bit位的编码结果）

 

观察以下数据样例，可知geohash较好地反映了空间局部性：数据按照距离远近有序排列，距离相近的点geohash值有着更多的相同前缀。

查找最近K个邻居

通过扫描geohash前缀可以高效解决问题1：查找离某地最近的k个地点。当然，需要选择合适的位数来进行前缀匹配扫描。使用较少的位数能减少扫描次数，但可能会返回多余的数据，而使用较多的位数能可能每次扫描返回的结果优先，导致需要多次扫描。

然而，geohash值也存在一些问题，不能使用简单的前缀匹配扫描来查找邻居，如下图：有限长度的geohash值在地图上表示为一个矩形区域。位于中间的是dr5ruzb区域，它下方的邻居区域和它有着5位长度的相同前缀，而上方的三个区域虽然位置相邻，但只有这2位长度的相同前缀。

所以，如果要查找dr5ruzb的最近k个邻居，保险起见，可以一起查找它周围8个相邻区域的最近k个邻居，然后将所有查找到的点按照距离排序再得出最终结果。伪代码如下：takeN查找某个区域的最近n个点

queryKNN则使用takeN查找四周8个相邻区域的最近n个点，最终再排序取值。

 

区域内查找

来一个区域内查找的实例：在某某广场内有多少个wifi热点？解决思路分两步：

第一步，将区域内查找转化为对一系列geohash索引的扫描。

第二步，判断扫描到的坐标点是否包含在待查找区域多边形内。

工具方面，可以使用JTS Topology Suite(http://tsusiatsoftware.net/jts/main.html),JTS实现了常见几何对象、空间拓扑数据结构和操作算法。使用JTS查找待扫描的geohash坐标具体步骤如下：

1. 根据待查找区域的各个顶点初始化多边形对象Geometry，并得出多边形对象的质心Centroid。
2. 对质心Centorid坐标进行geohash编码，精度取一定位数，如果geohash编码所代表的闭包已经覆盖了待查找多边形对象Geometry，那么直接返回质心作为待扫描的坐标。如果没有覆盖，继续步骤3。
3. 与前一节类似做法找到质心Centroid的四周8个相邻区域，闭包的范围扩大至包含这8个相邻区域顶点，再次判断闭包是否覆盖待查找区域。如果覆盖，那么这9个点一起作为待扫描的坐标返回；如果还是不能覆盖，返回到步骤2，使用更短的geohash编码长度来扩大位置范围，直到覆盖待查找区域为止。

得到待扫描geohash坐标后，使用前一节最近K个邻居查找算法在HBase表中扫描出一系列附近坐标点，最后过滤掉不在待查找区域范围内的坐标点。其中，过滤步骤可以通过Filter过滤器完成，能利用上HBase的分布式并行处理能力，减少到客户端的数据传输量。