geohash算法原理及实现方式

约定不等于承诺〃 2022-08-09 06:49 147阅读 0赞

geohash是一种地址编码，它能把二维的经纬度编码成一维的字符串。  
**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)、(0, 90)，如果目标纬度位于前一个区间，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), (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。

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。

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 11100 11101 00100 01111 00000 01101 01011 00001。

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

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、java代码实现**

import java.io.File; 
 import java.io.FileInputStream; 
 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 static void main(String[] args) throws Exception{ 
 
 System.out.println(new Geohash().encode(45, 125)); 
 
 } 
 
 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 bits 
 int 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 bits 
 j=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; 
 else 
 ceiling = 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 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; 
 } 
 
 public 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)); 
 } 
 
 }

**四、观点讨论**

引用阿里云以为技术专家的博客上的讨论：

1.两个离的越近，geohash的结果相同的位数越多，对么？  
这一点是有些用户对geohash的误解，虽然geo确实尽可能的将位置相近的点hash到了一起，可是这并不是严格意义上的(实际上也并不可能，因为毕竟多一维坐标)，  
例如在方格4的左下部分的点和大方格1的右下部分的点离的很近，可是它们的geohash值一定是相差的相当远，因为头一次的分块就相差太大了，很多时候我们对geohash的值进行简单的排序比较，结果貌似真的能够找出相近的点，并且似乎还是按照距离的远近排列的，可是实际上会有一些点被漏掉了。  
上述这个问题，可以通过搜索一个格子，周围八个格子的数据，统一获取后再进行过滤。这样就在编码层次解决了这个问题。  
2.既然不能做到将相近的点hash值也相近，那么geohash的意义何在呢？  
我觉得geohash还是相当有用的一个算法，毕竟这个算法通过无穷的细分，能确保将每一个小块的geohash值确保在一定的范围之内，这样就为灵活的周边查找和范围查找提供了可能。

常见的一些应用场景

A、如果想查询附近的点？如何操作

查出改点的gehash值，然后到数据库里面进行前缀匹配就可以了。

B、如果想查询附近点，特定范围内，例如一个点周围500米的点，如何搞？

可以查询结果，在结果中进行赛选，将geohash进行解码为经纬度，然后进行比较

\*在纬度相等的情况下：

\*经度每隔0.00001度，距离相差约1米；

\*每隔0.0001度，距离相差约10米；

\*每隔0.001度，距离相差约100米；

\*每隔0.01度，距离相差约1000米；

\*每隔0.1度，距离相差约10000米。

\*在经度相等的情况下：

\*纬度每隔0.00001度，距离相差约1.1米；

\*每隔0.0001度，距离相差约11米；

\*每隔0.001度，距离相差约111米；

\*每隔0.01度，距离相差约1113米；

\*每隔0.1度，距离相差约11132米。

Geohash，如果geohash的位数是6位数的时候，大概为附近1千米…

参考资料：

[http://iamzhongyong.iteye.com/blog/1399333][http_iamzhongyong.iteye.com_blog_1399333]

[http://tech.idv2.com/2011/06/17/location-search/][http_tech.idv2.com_2011_06_17_location-search]

[http://blog.sina.com.cn/s/blog\_62ba0fdd0100tul4.html][http_blog.sina.com.cn_s_blog_62ba0fdd0100tul4.html]

转载： [http://www.cnblogs.com/dengxinglin/archive/2012/12/14/2817761.html][http_www.cnblogs.com_dengxinglin_archive_2012_12_14_2817761.html]  
相关文章：

1.[基于LBS功能应用的Geohash方案][LBS_Geohash]

2.[GeoHash核心原理解析][GeoHash]

3.[Mysql or Mongodb LBS快速实现方案][Mysql or Mongodb LBS]

[http_iamzhongyong.iteye.com_blog_1399333]: http://iamzhongyong.iteye.com/blog/1399333
[http_tech.idv2.com_2011_06_17_location-search]: http://tech.idv2.com/2011/06/17/location-search/
[http_blog.sina.com.cn_s_blog_62ba0fdd0100tul4.html]: http://blog.sina.com.cn/s/blog_62ba0fdd0100tul4.html
[http_www.cnblogs.com_dengxinglin_archive_2012_12_14_2817761.html]: http://www.cnblogs.com/dengxinglin/archive/2012/12/14/2817761.html
[LBS_Geohash]: http://www.qixing318.com/article/geohash-scheme-based-on-function-of-lbs-application.html
[GeoHash]: http://www.open-open.com/lib/view/open1417940079964.html
[Mysql or Mongodb LBS]: http://www.wubiao.info/470