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 geohash
153      * @return
154      */
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 srcHash
179      * @param dir
180      * @return
181      */
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 = base
192                 + BASE32.toCharArray()[(NEIGHBORS.get(dir + ":" + type)
193                         .indexOf(lastChr))];
194         return base;
195     }
196 
197     // @Deprecated
198     // 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, 38.89984130859375
229     // //2:[38.902587890625, 38.9080810546875, 38.90533447265625]
230     // //2: 38.902587890625, 38.9080810546875, 38.90533447265625
231     // lon[2] = (lon[0] + lon[1])/2;
232     // //1:[-77.047119140625, -77.0361328125, -77.0416259765625]
233     // //1: -77.047119140625, -77.0361328125, -77.0416259765625
234     // //2:[-77.047119140625, -77.0361328125, -77.0416259765625]
235     // //2: -77.047119140625, -77.0361328125, -77.0416259765625
236     //
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     // @Deprecated
278     // 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 lon1
302      *            第一点的精度
303      * @param lat1
304      *            第一点的纬度
305      * @param lon2
306      *            第二点的精度
307      * @param lat2
308      *            第二点的纬度
309      * @return 返回的距离，单位m
310      * */
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 s6q08ubhhuq7
327      */
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 }

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_location
2 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 )

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。