附近的人位置距离计算方法

附近的人的位置用经纬度表示，然后通过两点的经纬度计算距离。根据网上的推荐，最终采用geohash。

geohash的实现java版：

  1 import java.util.BitSet;  2 import java.util.HashMap;  3 import java.util.Map;  4   5 import org.apache.commons.lang3.StringUtils;  6   7 public class Geohash {  8   9     private static int numbits = 6 * 5; 10     final static char[] digits = { '0', '1', '2', '3', '4', '5', '6', '7', '8', 11             '9', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'j', 'k', 'm', 'n', 'p', 12             'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z' }; 13  14     final static HashMap<Character, Integer> lookup = new HashMap<Character, Integer>(); 15     static { 16         int i = 0; 17         for (char c : digits) 18             lookup.put(c, i++); 19  20     } 21  22     public Geohash() { 23         setMap(); 24     } 25  26     public double[] decode(String geohash) { 27         StringBuilder buffer = new StringBuilder(); 28         for (char c : geohash.toCharArray()) { 29  30             int i = lookup.get(c) + 32; 31             buffer.append(Integer.toString(i, 2).substring(1)); 32         } 33  34         BitSet lonset = new BitSet(); 35         BitSet latset = new BitSet(); 36  37         // even bits 38         int j = 0; 39         for (int i = 0; i < numbits * 2; i += 2) { 40             boolean isSet = false; 41             if (i < buffer.length()) 42                 isSet = buffer.charAt(i) == '1'; 43             lonset.set(j++, isSet); 44         } 45  46         // odd bits 47         j = 0; 48         for (int i = 1; i < numbits * 2; i += 2) { 49             boolean isSet = false; 50             if (i < buffer.length()) 51                 isSet = buffer.charAt(i) == '1'; 52             latset.set(j++, isSet); 53         } 54  55         double lon = decode(lonset, -180, 180); 56         double lat = decode(latset, -90, 90); 57  58         return new double[] { lat, lon }; 59     } 60  61     private double decode(BitSet bs, double floor, double ceiling) { 62         double mid = 0; 63         for (int i = 0; i < bs.length(); i++) { 64             mid = (floor + ceiling) / 2; 65             if (bs.get(i)) 66                 floor = mid; 67             else 68                 ceiling = mid; 69         } 70         return mid; 71     } 72  73     public String encode(String lat, String lon) { 74          75         return encode(Double.parseDouble(lat), Double.parseDouble(lon)); 76  77     } 78  79     public String encode(double lat, double lon) { 80         BitSet latbits = getBits(lat, -90, 90); 81         BitSet lonbits = getBits(lon, -180, 180); 82         StringBuilder buffer = new StringBuilder(); 83         for (int i = 0; i < numbits; i++) { 84             buffer.append((lonbits.get(i)) ? '1' : '0'); 85             buffer.append((latbits.get(i)) ? '1' : '0'); 86         } 87         return base32(Long.parseLong(buffer.toString(), 2)); 88     } 89  90     private BitSet getBits(double lat, double floor, double ceiling) { 91         BitSet buffer = new BitSet(numbits); 92         for (int i = 0; i < numbits; i++) { 93             double mid = (floor + ceiling) / 2; 94             if (lat >= mid) { 95                 buffer.set(i); 96                 floor = mid; 97             } else { 98                 ceiling = mid; 99             }100         }101         return buffer;102     }103 104     public static String base32(long i) {105         char[] buf = new char[65];106         int charPos = 64;107         boolean negative = (i < 0);108         if (!negative)109             i = -i;110         while (i <= -32) {111             buf[charPos--] = digits[(int) (-(i % 32))];112             i /= 32;113         }114         buf[charPos] = digits[(int) (-i)];115 116         if (negative)117             buf[--charPos] = '-';118         return new String(buf, charPos, (65 - charPos));119     }120 121     /*********************** 获取九个的矩形编码 ****************************************/122     public static String BASE32 = "0123456789bcdefghjkmnpqrstuvwxyz";123     public static Map<String, String> BORDERS = new HashMap<String, String>();124     public static Map<String, String> NEIGHBORS = new HashMap<String, String>();125 126     public static void setMap() {127         NEIGHBORS.put("right:even", "bc01fg45238967deuvhjyznpkmstqrwx");128         NEIGHBORS.put("left:even", "238967debc01fg45kmstqrwxuvhjyznp");129         NEIGHBORS.put("top:even", "p0r21436x8zb9dcf5h7kjnmqesgutwvy");130         NEIGHBORS.put("bottom:even", "14365h7k9dcfesgujnmqp0r2twvyx8zb");131 132         NEIGHBORS.put("right:odd", "p0r21436x8zb9dcf5h7kjnmqesgutwvy");133         NEIGHBORS.put("left:odd", "14365h7k9dcfesgujnmqp0r2twvyx8zb");134         NEIGHBORS.put("top:odd", "bc01fg45238967deuvhjyznpkmstqrwx");135         NEIGHBORS.put("bottom:odd", "238967debc01fg45kmstqrwxuvhjyznp");136 137         BORDERS.put("right:even", "bcfguvyz");138         BORDERS.put("left:even", "0145hjnp");139         BORDERS.put("top:even", "prxz");140         BORDERS.put("bottom:even", "028b");141 142         BORDERS.put("right:odd", "prxz");143         BORDERS.put("left:odd", "028b");144         BORDERS.put("top:odd", "bcfguvyz");145         BORDERS.put("bottom:odd", "0145hjnp");146 147     }148 149     /**150      * 获取九个点的矩形编码151      * 152      * @param geohash153      * @return154      */155     public String[] getGeoHashExpand(String geohash) {156         try {157             String geohashTop = calculateAdjacent(geohash, "top");158             String geohashBottom = calculateAdjacent(geohash, "bottom");159             String geohashRight = calculateAdjacent(geohash, "right");160             String geohashLeft = calculateAdjacent(geohash, "left");161             String geohashTopLeft = calculateAdjacent(geohashLeft, "top");162             String geohashTopRight = calculateAdjacent(geohashRight, "top");163             String geohashBottomRight = calculateAdjacent(geohashRight,164                     "bottom");165             String geohashBottomLeft = calculateAdjacent(geohashLeft, "bottom");166             String[] expand = { geohash, geohashTop, geohashBottom,167                     geohashRight, geohashLeft, geohashTopLeft, geohashTopRight,168                     geohashBottomRight, geohashBottomLeft };169             return expand;170         } catch (Exception e) {171             return null;172         }173     }174 175     /**176      * 分别计算每个点的矩形编码177      * 178      * @param srcHash179      * @param dir180      * @return181      */182     public static String calculateAdjacent(String srcHash, String dir) {183         srcHash = srcHash.toLowerCase();184         char lastChr = srcHash.charAt(srcHash.length() - 1);185         int a = srcHash.length() % 2;186         String type = (a > 0) ? "odd" : "even";187         String base = srcHash.substring(0, srcHash.length() - 1);188         if (BORDERS.get(dir + ":" + type).indexOf(lastChr) != -1) {189             base = calculateAdjacent(base, dir);190         }191         base = base192                 + BASE32.toCharArray()[(NEIGHBORS.get(dir + ":" + type)193                         .indexOf(lastChr))];194         return base;195     }196 197     // @Deprecated198     // public static void expandLngLat(String geohash, int len){199     // boolean is_even = true;200     // double[] lat = new double[3];201     // double[] lon = new double[3];202     // lat[0] = -90.0;203     // lat[1] = 90.0;204     // lon[0] = -180.0;205     // lon[1] = 180.0;206     // double lat_err = 90.0;207     // double lon_err = 180.0;208     // char[] geohashChar = geohash.toCharArray();209     // // String[] BITS = {"16", "8", "4", "2", "1"};210     // int[] BITS = {16, 8, 4, 2, 1};211     // for (int i = 0; i < geohashChar.length; i++) {212     // char c = geohashChar[i];213     // int cd = BASE32.indexOf(c);214     // for (int j = 0; j < 5; j++) {215     // int mask = BITS[j];216     // if (is_even) {217     // lon_err /= 2;218     // refine_interval(lon, cd, mask);219     // } else {220     // lat_err /= 2;221     // refine_interval(lat, cd, mask);222     // }223     // is_even = !is_even;224     // }225     // }226     // lat[2] = (lat[0] + lat[1])/2;227     // //1:[38.8970947265625, 38.902587890625, 38.89984130859375]228     // //1: 38.8970947265625, 38.902587890625, 38.89984130859375229     // //2:[38.902587890625, 38.9080810546875, 38.90533447265625]230     // //2: 38.902587890625, 38.9080810546875, 38.90533447265625231     // lon[2] = (lon[0] + lon[1])/2;232     // //1:[-77.047119140625, -77.0361328125, -77.0416259765625]233     // //1: -77.047119140625, -77.0361328125, -77.0416259765625234     // //2:[-77.047119140625, -77.0361328125, -77.0416259765625]235     // //2: -77.047119140625, -77.0361328125, -77.0416259765625236     //237     // String topLeft = lat[0]+","+lon[0];238     // String topRight = lat[0]+","+lon[1];239     //240     // String bottomleft = lat[1]+","+lon[0];241     // String bottoomRight = lat[1]+","+lon[1];242     // String centerPoint = (lat[0]+lat[1])/2+","+(lon[0]+lon[1])/2;243     //244     // String centerTop = lat[0]+","+(lon[0]+lon[1])/2;245     // String centerBottom = lat[1]+","+(lon[0]+lon[1])/2;246     //247     // String centerLeft = (lat[0]+lat[1])/2+","+lon[0];248     // String centerRight = (lat[0]+lat[1])/2+","+lon[1];249     // // System.out.println("topLeft:["+topLeft+"] geoHash:"+g.encode(lat[0],250     // lon[0]));251     // // System.out.println("topRight:["+topRight+"] geoHash:"+g.encode(lat[0],252     // lon[1]));253     // //254     // System.out.println("bottomleft:["+bottomleft+"] geoHash:"+g.encode(lat[1],255     // lon[0]));256     // //257     // System.out.println("bottoomRight:["+bottoomRight+"] geoHash:"+g.encode(lat[1],258     // lon[1]));259     // //260     // System.out.println("centerPoint:["+centerPoint+"] geoHash:"+g.encode((lat[0]+lat[1])/2,261     // (lon[0]+lon[1])/2));262     // //263     // System.out.println("centerTop:["+centerTop+"] geoHash:"+g.encode(lat[0],264     // (lon[0]+lon[1])/2));265     // //266     // System.out.println("centerBottom:["+centerBottom+"] geoHash:"+g.encode(lat[1],267     // (lon[0]+lon[1])/2));268     // //269     // System.out.println("centerLeft:["+centerLeft+"] geoHash:"+g.encode((lat[0]+lat[1])/2,270     // lon[0]));271     // //272     // System.out.println("centerRight:["+centerRight+"] geoHash:"+g.encode((lat[0]+lat[1])/2,273     // lon[1]));274     //275     // }276     //277     // @Deprecated278     // public static void refine_interval(double[] interval, int cd, int mask){279     // if ((cd & mask)>0){280     // interval[0] = (interval[0] + interval[1])/2;281     // }else{282     // interval[1] = (interval[0] + interval[1])/2;283     // }284     // }285     //286 287     // ****************************************************************************************************************288 289     private static final double EARTH_RADIUS = 6371;// 赤道半径(单位m)290 291     /**292      * 转化为弧度(rad)293      * */294     private static double rad(double d) {295         return d * Math.PI / 180.0;296     }297 298     /**299      * 基于googleMap中的算法得到两经纬度之间的距离,计算精度与谷歌地图的距离精度差不多，相差范围在0.2米以下300      * 301      * @param lon1302      *            第一点的精度303      * @param lat1304      *            第一点的纬度305      * @param lon2306      *            第二点的精度307      * @param lat2308      *            第二点的纬度309      * @return 返回的距离，单位m310      * */311     public  double getDistance(double lon1, double lat1, double lon2,312             double lat2) {313         double radLat1 = rad(lat1);314         double radLat2 = rad(lat2);315         double a = radLat1 - radLat2;316         double b = rad(lon1) - rad(lon2);317         double s = 2 * Math.asin(Math.sqrt(Math.pow(Math.sin(a / 2), 2)318                 + Math.cos(radLat1) * Math.cos(radLat2)319                 * Math.pow(Math.sin(b / 2), 2)));320         s = s * EARTH_RADIUS;321         s = Math.round(s * 1000)/1000.0;322         return s;323     }324 325     /*326      * 永相逢超市 108.83457500177 34.256981052624 wqj6us6cmkj5bbfj6qdg s6q08ubhhuq7327      */328     public static void main(String[] args) throws Exception {329 330         // 东四站 灯市口站331         double lon1 = 116.4174628300;332         double lat1 = 39.9243669400;333         double lon2 = 116.4177739600;334         double lat2 = 39.9171260300;335         double dist;336         String geocode;337 338         Geohash geohash = new Geohash();339         dist = geohash.getDistance(lon1, lat1, lon2, lat2);340         System.out.println("两点相距：" + dist + " km");341 342         geocode = geohash.encode(lat1, lon1);343         System.out.println("当前位置编码：" + geocode);344         double[] decode = new Geohash().decode(geocode);345         for (double d : decode) {346             System.out.println(d);347         }348 349         geocode = geohash.encode(lat2, lon2);350         System.out.println("远方位置编码：" + geocode);351         decode = new Geohash().decode(geocode);352         for (double d : decode) {353             System.out.println(d);354         }355 356         /* 获取的geohash多少位，位数越长，精度越准 */357         int geohashLen = 5;358 359         /* 获取中心点的geohash */360         String code = geohash.encode(lat1, lon1).substring(0, geohashLen);361 362         /* 获取所有的矩形geohash， 一共是九个 ，包含中心点,打印顺序请参考图2 */363         String[] result = geohash.getGeoHashExpand(code);364         for (String string : result) {365             System.out.println(string);366         }367 368     }369 370 }

View Code

原理看起来很容易懂的样子，就是分区编码。但仔细一想却不是那么简单。算法设计，编码设计，为什么相似等等，现在只会痛恨当时为啥不好好学数学。

那么，只要在上传位置信息的时候计算geohash,然后根据geohash的精度前缀进行匹配查询就可以搜索附近的人。但有两个问题。

问题1：

　　计算的附近的概念不精准，仅仅只是一个区域，在边界问题上需要考虑。距离相近的在边界位置geohash显示却在两块区域。因此引入周围8个区域来精算中间一个区域的位置。这样做会把中间区域周围的包含，但最大范围无法估量。因为周围8块所代表的的精度算法，仅仅是该区域内的，而不是包含所有。就是说，假如中间区域精度1km以内，我需要将周围的区域加上才能把全部1km以内的位置包含。如下图所示：

我按照0110的编码匹配，只能得到红色区域内的位置。倘若客户站在区域中心，那么正好该区域的精度就是距离客户的最大距离。但是，在其他区域的客户，比如红点。记红点为A点，A点距离最近的除了0110还包括另外三个区域的点。这样，若仅仅只按中心区域0110搜索附近的人反而不是正确的。于是引入周围8个区域的点。这样，可以把0110区域的人的附近的点全部包含。

距离：

　　　记一个geohash的精度(区域的边长)为len,记最大距离为可以搜索到的最远的附近的位置，记最小距离为该距离内的所有位置必然包含在内。比如最小距离为d,则方圆为d的距离内的所有点都包含。

　　   位于中心区域0110的人最大附近距离为：两个对角线b=2√2len。最小距离为：a=len

再次重申：可以肯定搜索到一个精度内的所有人，但还可以包含附近大于一个精度达部分人。

问题2：

　　距离需要进行2次计算。若有排序概念还需要排序。

我的抉择：

　　我选择了匹配前6位，测试距离大概1km以内。然后面临另一个问题：分页。

分页：

客户端滚动加载，我一次查完9个区域内所有点，然后根据时间排序。选取该时间之前的n条记录。第一页就是前n条。第一页最后一条的时间为t1，第二页就是t1时间往前的的n条，以此类推。那么，问题来了。假如第一页花费时间t，在这段时间内，本来第二页的数据位置信息更新(每次更新后时间改变)；然后查询第二页的时候，变动的数据不包含在内了。也就是说，遗漏了变化的点。

在我看来，位置信息可以延时，但不要遗漏。因为喜欢查看附近的人的位置通常是实时改变的，而我们遗漏的恰恰就是互相有需求的双方。所以，要一次查询一个很大范围内的数据。

办法：

我一次将9个区域的点全部取出，然后缓存。由于geohash区域内的人共享一个查询，因此将geohash的前缀作为key来缓存该区域附近的点。那么，其他该区域的人也可以使用本次查询的结果。

用java做分页处理。

第一次请求，所有数据缓存。然后取出前n个，如果排序，则排序后的前n个。缓存信息不可以改变。第二次请求，计算缓存的索引n开始的n个。....

 缺点：

我需要每次都计算距离，排序。

思考：

我想要第一次计算完之后缓存数据，然后第二次直接取出想要的部分。进而省略每次的计算。接着，问题来了。

第一次数据库的查询数据缓存，标记为key_all；客户a通过缓存计算距离，排序，放入缓存，标记为key_a;显然，两个缓存有大量的重复数据。如果仅仅是标记索引，那计算结果的部分无法保存，所以需要复制而后修改，而后存储。虽然省略了部分计算，但加大了内存需求。

对于时间和空间的问题，我们再来看需求。需求是附近的人，而我查看附近的人的翻页频率并不高，也就是说每次计算的次数很少。那我可以不用为了减少部分计算而加大存储。因为加大存储需要空间加倍，而减少计算影响不大。所以放弃每人都缓存数据。采用每次翻页时计算需要的数据。

然后，面临两个问题。

第一个：ehcache读取后的数据，被计算修改后缓存相应改变，因为对象引用相同。

然后我花了两天看反射和序列化，最后采用序列化来复制缓存对象。成功后又觉得不对，缓存显然是有序列化的，我干嘛重复加工，找到配置，copyOnRead="true" copyOnWrite="true"。解决。

第二个：排序和分页的计算方法。

客户分页的时候也会传新的位置过来，位置必然发生改变。那么按照上次分页计算的距离就不能使用了。

也就是说，我需要用户只传递一次位置，只在第一页请求的时候传递位置，往后的页码忽略其位置。因此，还需要保存第一次请求的位置。首先我要区分第一次和其他。根据现有标记无法区分，因为是按照时间排序的。所以不能区分，也就不能忽略。也就是，用户每次请求传递位置和时间。查询该位置附近该时间之前的n条记录。

finally：缓存边界

缓存是有时间限制的，如果用户第一页查询完后，第二页缓存更新，第二页就不能和第一页衔接了。

所以，为了逻辑上还是拓扑上啥的，严谨不漏。我不能接着查询第二页了。也就是读取缓存的时候，策略需要改变。若缓存不在，重新缓存数据，并查询第一页，告诉客户端刷新页面而不是请求第二页。缺点是若用户第二页是缓存结束前访问的就只能刷新，用户体验不好。所以还是不提示了？我不是产品，但严谨的态度来说，我悄悄更新？也就是第二页数据若缓存不在，我就接着查询缓存第一页作为第二页给客户端。又想多了，我不是根据页码分页的，而是根据时间分页的。那么缓存更新的时候需不需要限制时间呢。我需要按时间排序，而且需要全部数据缓存。所以不能限制时间。这样，取出新缓存的数据中，前n条，忽视时间。当缓存存在而不更新的时候才按照时间取下一组数据。客户端虽然会发现和第一页一样的数据，但时间不一样了。为了避免缓存边界的发生，我或许应该延长缓存时间。

---

 

算法遗漏：

假设默认第一次搜索是geohash匹配前6位，1km以内。设计一共2页，翻到第三页的时候就要加载更大范围内的。所以匹配前5位，这样，问题出现了。

重新匹配前5位的时候包含了之前查过的前6位的数据。

我当然可以对比数组，取消已经显示的，或者在查询匹配的时候就直接去除（比如java 8中的stream）。但这样查询语句就变的复杂。比如我的坐标是&lat=39.9346650000&lon=116.3951690000，对应的geohash是：wx4g0tukk10e。第一次匹配前6位的sql：

1  SELECT id, lat, lon, geohash, updatetime FROM user_location2 WHERE 1=1 3 and ( 4 geohash like 'wx4g0t%' or  geohash like 'wx4g0w%' or  geohash like 'wx4g0s%' 5 or  geohash like 'wx4g0v%' or  geohash like 'wx4g0m%' or  geohash like 'wx4g0q%' 6 or  geohash like 'wx4g0y%' or  geohash like 'wx4g0u%' or  geohash like 'wx4g0k%')

匹配前5位并去除前6位的

 1 SELECT id, lat, lon, geohash, updatetime FROM user_location  2 WHERE 1=1  3 and (  4 geohash like 'wx4g0%' or  geohash like 'wx4g2%' or  geohash like 'wx4fb%'  5 or  geohash like 'wx4g1%' or  geohash like 'wx4ep%' or  geohash like 'wx4er%'  6 or  geohash like 'wx4g3%' or  geohash like 'wx4fc%' or  geohash like 'wx4dz%') 7 and( 8 geohash not like 'wx4g0t%' or  geohash not like 'wx4g0w%' or  geohash not like 'wx4g0s%'  9 or  geohash not like 'wx4g0v%' or  geohash not like 'wx4g0m%' or  geohash not like 'wx4g0q%' 10 or  geohash not like 'wx4g0y%' or  geohash not like 'wx4g0u%' or  geohash not like 'wx4g0k%'11 )

View Code

这在数据层次一次性搜索增加了比较次数num*6倍。而事实上，我想做缓存的话，key=6和key=5的缓存存在被包含与包含的关系。理想的状态应该是：key=5的所有数据缓存，key=6的缓存持有key=5的缓存。这是一个对我来说复杂的缓存了。我也发现了，当我自习研究某项技术的时候什么都不会，换句话说自己就是代码搬运工而已。

现在的做法是直接缓存数据。以后升级redis了再考虑别的。