1.点与图形

地理位置信息，对于这个功能，目前大多数的中间件基本都已经开始支持，比如MongoDB中就提供了2d和2dsphere索引，redis中提供了geo相关的指令集合。
同样，es中也提供了地理位置相关的功能，包括以下两种数据类型

  1. geo_point：以经纬度形式进行存储，用于存储地理位置坐标点，常用与计算坐标点之间的距离以及点聚合等相关功能
  2. geo_shape：以geojson形式进行存储，用于存储地理位置点、线、图形等。用于计算图形之间的交集以及图形中包含了哪些点等等

接下来开始对两种数据结构详细讲解

2.索引点

geo_point其实相比较于geo_shape更为常用，且用起来更为简单，接下来开始讲解geo_point的使用

建立索引

建立索引时，指定数据类型为geo_point即可。
下面以省份坐标为例，指定location数据类型为geo_point

  1. PUT omission
  2. {
  3.   "mappings": {
  4.     "properties": {
  5.       "name":{
  6.         "type": "text",
  7.         "analyzer": "ik_max_word"
  8.       },
  9.       "location":{
  10.         "type": "geo_point"
  11.       }
  12.     }
  13.   }
  14. }

存储数据

样例数据准备

接下来准备6个省份的坐标信息，如下图
image.png

  1. 北京：(经度：116.20，纬度：39.56)
  2. 山东：(经度：114.19，纬度：34.22)
  3. 湖北：(经度：108.21，纬度：29.01)
  4. 湖南：(经度：108.47，纬度：24.38)
  5. 云南：(经度：97.31，纬度：21.8)

  6. 新疆：(经度：86.37，纬度：42.45)

    数据存储格式

    es中对于geo_point的数据支持三种数据格式，如下

  7. 字符串形式：以逗号分割，纬度在前，经度在后。示例： “location”: “39.56, 116.20”

  8. Json形式：指定经纬度即可，lat代表纬度，lon代表经度。示例：{“location”:{“lat”:114.19,”lon”:34.22}}
  9. 数组形式：经度在前，纬度在后。示例： “location”: [108.21,29.01]

一定要注意的是，字符串类型纬度在前，经度在后。数组类型经度在前，纬度在后
接下来将上述准备的省份坐标录入索引

  1. PUT omission/_bulk
  2. {"create":{}}
  3. {"name":"北京","location":"39.56, 116.20"}
  4. {"create":{}}
  5. {"name":"山东","location":"34.22, 114.19"}
  6. {"create":{}}
  7. {"name":"湖北","location":{"lat":29.01,"lon":108.21}}
  8. {"create":{}}
  9. {"name":"湖南","location":{"lat":24.38,"lon":108.47}}
  10. {"create":{}}
  11. {"name":"云南","location":[97.31,21.8]}
  12. {"create":{}}
  13. {"name":"新疆","location":[86.37,42.45]}

image.png
如图，录入成功

3.查询点

es中提供了多种对于地理位置信息查询的方法，最常用的包括以下两种

  1. geo_bounding_box：给出矩形的左上和右下点坐标，获取矩形内的点
  2. geo_distance：给出一个点以及最远距离，获取距离圆心点距离在最远距离以内的所有点

接下来详细说明

geo_bounding_box

命令格式

geo_bounding_box命令格式如下

  1. GET omission/_search
  2. {
  3.   "query": {
  4.     "constant_score": {
  5.       "filter": {
  6.         "geo_bounding_box": {
  7.           "FIELD": {
  8.             "top_left": {
  9.               "lat": 40.73,
  10.               "lon": -74.1
  11.             },
  12.             "bottom_right": {
  13.               "lat": 40.717,
  14.               "lon": -73.99
  15.             }
  16.           }
  17.         }
  18.       }
  19.     }
  20.   }
  21. }
  1. FIELD：查询字段
  2. top_left：左上角经纬度坐标

  3. bottom_right：右下角经纬度坐标

    示例

    image.png
    以宁夏为左上角，台湾为右下角，可以获取到山东，湖南，湖北的相关信息
    宁夏坐标点：[104.17,35.14]
    台湾坐标点：[119.18,20.45]
    因此查询表达式如下：

    1. GET omission/_search
    2. {
    3. "query": {
    4.  "constant_score": {
    5.    "filter": {
    6.      "geo_bounding_box": {
    7.        "location": {
    8.          "top_left": {
    9.            "lat": 35.14,
    10.            "lon": 104.17
    11.          },
    12.          "bottom_right": {
    13.            "lat": 20.45,
    14.            "lon": 119.18
    15.          }
    16.        }
    17.      }
    18.    }
    19.  }
    20. }
    21. }

    image.png
    如图，返回结果与预期一致

    geo_distance

    命令格式

    1. GET omission/_search
    2. {
    3. "query": {
    4.  "constant_score": {
    5.    "filter": {
    6.      "geo_distance": {
    7.        "distance": "100km",
    8.        "distance_type": "arc", 
    9.        "FIELD": {
    10.          "lat": 40.73,
    11.          "lon": -74.1
    12.        }
    13.      }
    14.    }
    15.  }
    16. }
    17. }

  4. FIELD：查询字段以及指定圆心点的经纬度坐标

  5. distance：指定的最远距离，其中距离支持如下单位 :::success

  6. 英里：mi/miles

  7. 码：yd/yards
  8. 英尺：ft/feet
  9. 英寸：in/inch
  10. 公里(千米)：km/kilometers
  11. 米：m/meters
  12. 厘米：cm/centimeters
  13. 毫米：mm/millimeters

  14. 海里：NM/nmi/nauticalmiles :::

  15. distance_type：距离计算方式，包括arc和plane两种 :::success

  16. arc：基于球面运算，效率较低但精准度较高。当然也不是完全准确，毕竟地球不是一个圆滑的球

  17. plane：基于平面运算，效率较高但精度较低。在赤道附近的位置精度最好，而靠近两极则变差。 :::

    示例

    已知北京距离其他省份距离信息，从小到大排序如下

  18. 北京-山东距离：411.5km

  19. 北京-湖北距离：1112.3km
  20. 北京-湖南距离：1342km
  21. 北京-云南距离：2200km
  22. 北京-新疆距离：2768.5km

以北京为圆心，获取2000km内的省份，理论上应该返回北京，山东，湖北，以及湖南4个省份

  1. GET omission/_search
  2. {
  3.   "query": {
  4.     "constant_score": {
  5.       "filter": {
  6.         "geo_distance": {
  7.           "distance": "2000km",
  8.           "location": {
  9.             "lat": 39.56,
  10.             "lon": 116.2
  11.           }
  12.         }
  13.       }
  14.     }
  15.   }
  16. }

image.png
如图，返回结果符合预期

排序

有的时候，我们不仅仅想要获取响应的坐标点，我们还想要结果根据一定的顺序排序，根据地理位置排序与其他字段排序不同。es中同样提供了根据地理位置排序的功能。同时，基于地理位置排序，es还会返回与期望圆心点之间的距离

命令格式

  1. "sort": [
  2.     {
  3.       "_geo_distance": {
  4.         "FIELD": {
  5.           "lat": 40,
  6.           "lon": -70
  7.         },
  8.         "order": "asc",
  9.         "unit": "km",
  10.         "distance_type": "arc"
  11.       }
  12.     }
  13.   ]
  1. _geo_distance：固定写法枚举值，表明按照坐标点排序
  2. FIELD：排序字段以及中心点经纬度
  3. order：正序还是倒序
  4. unit：距离单位

  5. distance_type：距离计算方式，包括arc和plane两种

    示例

    还是以北京为圆心，获取2000km内的省份，理论上应该返回北京，山东，湖北，以及湖南4个省份以及其与北京的距离

    1. GET omission/_search
    2. {
    3. "query": {
    4.  "constant_score": {
    5.    "filter": {
    6.      "geo_distance": {
    7.        "distance": "2000km",
    8.        "location": {
    9.          "lat": 39.56,
    10.          "lon": 116.2
    11.        }
    12.      }
    13.    }
    14.  }
    15. },
    16. "sort": [
    17.  {
    18.    "_geo_distance": {
    19.      "location": {
    20.        "lat": 39.56,
    21.        "lon": 116.2
    22.      },
    23.      "order": "desc",
    24.      "unit": "km",
    25.      "distance_type": "plane"
    26.    }
    27.  }
    28. ]
    29. }

    image.png
    如图，返回结果通过与北京的距离倒序排序，并且sort字段中返回了对应的距离

    注意

    地理坐标过滤器使用代价昂贵 ，所以最好在文档集合尽可能少的场景下使用。
    可以先使用那些简单快捷的过滤器，比如 term 或 range ，来过滤掉尽可能多的文档，最后才交给地理坐标过滤器处理。
    布尔型过滤器 boolfilter 很适合做这件事。它会优先让那些基于“bitset”的简单过滤器(见 关于缓存 )来过滤掉尽可能多的文档，然后依次才是更昂贵的地理坐标过滤器或者脚本类的过滤器。

    4.GeoHash

    什么是geohash

    众所周知，对于地理位置信息，常用的保存格式就是经纬度数组以及geojson。那么有没有这样一种数据结构，可以通过一维的方式来表示地理位置的二维坐标呢？答案是，有
    geohash就是这样一种数据，它通过二分，二进制解析，二进制转10进制以及base32等步骤，将一个经纬度坐标，转成了wx4g0e这样的字符串。而这种类型的字符串，也就是geohash的格式了。通常来说，字符串越长，代表精确度越高
    Geohashes 是一种将经纬度坐标（ lat/lon ）编码成字符串的方式。这么做的初衷只是为了让地理位置在 url 上呈现的形式更加友好，但现在 geohashes 已经变成一种在数据库中有效索引地理坐标点和地理形状的方式。
    Geohashes 把整个世界分为 32 个单元的格子 —— 4 行 8 列
    换句话说， geohash 的长度越长，它的精度就越高。如果两个 geohashes 有一个共同的前缀— gcpuuz—就表示他们挨得很近。共同的前缀越长，距离就越近。
    这也意味着，两个刚好相邻的位置，可能会有完全不同的 geohash 。比如，伦敦 Millenium Dome 的 geohash 是 u10hbp ，因为它落在了 u 这个单元里，而紧挨着它东边的最大的单元是 g 。

    geohash的算法

    首先要明确知道的两点

  6. 经度的范围：-180~180

  7. 纬度的范围：-90~90

接下来开始演示，如何讲一个经纬度坐标转化为一个geohash。

  1. 已知坐标点：北京：（经度：116.20，纬度：39.56）

    经纬度转2进制

  2. 将经纬度范围2分，分为正区间与负区间，

  3. 每次判定目标值所在区间，正区间标1，负区间标0
  4. 之后对所在区间继续2分，
  5. 精度越大，2分的次数越多
  6. 规定上如果长度为2，那么要计算5次2分

计算经度：最终2进制数=11010（PS：正常来说geoHash长度=4要算10次，时间宝贵，这里只做演示）

0区间 1区间 坐标对应区间 2进制值 坐标
-180,0 0,180 1区间 1 116.20
0,90 90,180 1区间 1 116.20
90,135 135,180 0区间 0 116.20
90,112.5 112.5,135 1区间 1 116.20
112.5,123,75 123,75,135 0区间 0 116.20

计算纬度：最终2进制数=10111（PS：正常来说geoHash长度=4要算10次，时间宝贵，这里只做演示）

0区间 1区间 坐标对应区间 2进制值 坐标
-90,0 0,90 1区间 1 39.56
0,45 45,90 0区间 0 39.56
0,22.5 22.5,45 1区间 1 39.56
22.5,33,75 33.75,45 1区间 1 39.56
33.75.39.375 39.375,45 1区间 1 39.56

经纬度2进制数整合

整合原则：奇数位为纬度，偶数位为经度
因此上述经纬度组合后：1101101110

2进制数转10进制

转化原则：5个一组，转为10进制。（PS：为什么是5个一组？因为最后一步要计算base32对应，因此最大数为31，也就是5位2进制数）
因此上述2进制转换后：27，14

base32计算10进制数

对照表如下：
image.png
因此上述10进制转换后：vf
最终计算完成，北京：（经度：116.20，纬度：39.56）转换为geohash后变为vf

上图说话

可能上述的算法还不是很直观，接下来用图解来形象的描述geohash的算法
image.png
如图

  1. 将世界地图的一部分按照4 行 8 列划分成了32块，将设左上角第一块标注为a
  2. 此时对于左上角第一块再进行4 行 8 列划分，再取其左上角第一块，标注为b
  3. ……依次递归，经度越高，划分的块越小。最终拼接得到的字符串越长，经度就越高
  4. 假设每一个被划分的块都有对应层级的字母标识，那么最终就可以通过趋近于无限的划分，将整个地图，用无数个像素点描绘出来
  5. 同理，任何一个位置，都可以用足够长的字符串标识出来

  6. 这就是geohash

    Geohash经度对照表

    image.png
    可以看出，当geohash长度为9时，可以将经度细化到5米左右，也就是每个像素块的面积为5m*5m

    5.聚合点

    经过了geohash的学习，接下来就可以了解es中提供的地理位置聚合了。es中共提供了以下几种聚合方法

  7. geo_distance（地理位置距离）：将文档按照距离围绕一个中心点来分组聚合

  8. geohash_grid（网格聚合）：将文档按照 geohash 范围来分组聚合，用来显示在地图上
  9. geo_bounds（地理位置边界）：返回一个包含所有坐标点的边界的矩形左上右下经纬度坐标，这对显示地图时缩放比例的选择非常有用。

接下来逐个讲解

geo_distance（地理位置距离）

给定圆心和聚合范围集合，可以统计出距离圆心递进距离区间内的点的数量。当然可以结合递归聚合做任何事情

命令格式

  1. GET omission/_search
  2. {
  3.   "aggs": {
  4.     "geo_distance_example": {
  5.       "geo_distance": {
  6.         "field": "location",
  7.         "origin": {
  8.           "lat": 39.56,
  9.           "lon": 116.20
  10.         },
  11.         "ranges": [
  12.           {
  13.             "from": 0,
  14.             "to": 1000
  15.           },
  16.            {
  17.             "from": 1000,
  18.             "to": 2000
  19.           }
  20.         ],
  21.         "unit": "km", 
  22.         "distance_type": "plane"
  23.       }
  24.     }
  25.   }
  26. }
  1. field：聚合字段、
  2. origin：圆心点经纬度坐标
  3. ranges：统计范围，例如示例中，统计了0~1000km范围、1000km到2000km范围
  4. unit：范围单位
  5. distance_type：距离计算方式，包括arc和plane两种

    示例

    统计距离北京（包括北京）0~1000km范围、1000km到2000km范围内的省市 ```json GET omission/_search { “aggs”: { “geo_distance_example”: { “geo_distance”: {
    1.  "field": "location",
    2.  "origin": {
    3.    "lat": 39.56,
    4.    "lon": 116.20
    5.  },
    6.  "ranges": [
    7.    {
    8.      "from": 0,
    9.      "to": 1000
    10.    },
    11.     {
    12.      "from": 1000,
    13.      "to": 2000
    14.    }
    15.  ],
    16.  "unit": "km", 
    17.  "distance_type": "plane"
    } } } }
  1. ![image.png](https://cdn.nlark.com/yuque/0/2022/png/28218714/1660728296544-29a6baf3-bf5b-4cc1-bcc9-f79e0a157f78.png#clientId=u42b9ee89-1f79-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=689&id=uc5666a40&margin=%5Bobject%20Object%5D&name=image.png&originHeight=1033&originWidth=1584&originalType=binary&ratio=1&rotation=0&showTitle=false&size=173247&status=done&style=none&taskId=u1710bff0-f0db-405d-b7e1-75df1ea0269&title=&width=1056)<br />如图，0~1000km范围内有两个城市：北京，山东。1000~2000km内有两个城市：湖北，湖南
  2. <a name="dHP1p"></a>
  3. ### geohash_grid（网格聚合）
  4. 通过geohash，将相同像素块内的坐标点聚合。聚合结果的key通过geohash来表示
  5. <a name="Po7hE"></a>
  6. #### 命令格式
  7. ```json
  8. GET omission/_search
  9. {
  10.   "aggs": {
  11.     "geohash_grid_example":{
  12.       "geohash_grid": {
  13.         "field": "location",
  14.         "precision": 1
  15.       }
  16.     }
  17.   }
  18. }
  1. field：聚合字段

  2. precision：geohash字符串长度，长度越长，精度越高

    示例

    网格聚合，指定geohash长度为1

    1. GET omission/_search
    2. {
    3. "aggs": {
    4.  "geohash_grid_example":{
    5.    "geohash_grid": {
    6.      "field": "location",
    7.      "precision": 1
    8.    }
    9.  }
    10. }
    11. }

    image.png
    可以看到，聚合结果为2个像素块，w包含5个点，t包含1个点
    此时我们扩大精确度为4
    image.png
    可以看到因为精度提高，每个像素块的面积变小，因此结果更为精细，聚合结果为6个像素块。

    geo_bounds（地理位置边界）

    有时候，我们需要一个范围，包括所有存储的点，而且这个范围越小越好，越小经度越高。
    es中提供了geo_bounds来计算出一个矩形地理位置边界，聚合结果会返回矩形的左上和右下坐标

    命令格式

    1. GET omission/_search
    2. {
    3. "aggs": {
    4.  "geo_bound_example":{
    5.   "geo_bounds": {
    6.     "field": "location"
    7.   }
    8.  }
    9. }
    10. }

  3. field：聚合字段

    示例

    得到一个可以包含所有已存储数据的矩形

    1. GET omission/_search
    2. {
    3. "aggs": {
    4.  "geo_bound_example":{
    5.   "geo_bounds": {
    6.     "field": "location"
    7.   }
    8.  }
    9. }
    10. }

    image.png
    如图，返回了一个矩形左上和右下的坐标

    6.索引图形

    es中使用geo_shape来存储一个地理位置图形，在有些场景下，我们可以利用这个功能，计算路线的交叉点，图形中包含了哪些点等信息
    geo-shape 不能用于计算距离、排序、打分以及聚合。

    建立索引

    建立索引时指定字段类型为geo_shape即可，如下示例：

    1. PUT shape_index
    2. {
    3. "mappings": {
    4.  "properties": {
    5.    "name":{
    6.      "type": "text",
    7.      "analyzer": "ik_max_word"
    8.    },
    9.    "location":{
    10.      "type": "geo_shape"
    11.    }
    12.  }
    13. }
    14. }

    存储数据

    geo_shape数据类型支持的数据结构为geoJson，其中geo_json的基础数据类型为

    1. {
    2.  "type":"Point",
    3.  "coordinates":[
    4.      100,
    5.      0
    6.  ]
    7. }

  4. type：geojson类型 | Elasticsearch 类型 | 说明 | | —- | —- | | point | 一个单独的经纬度坐标点 | | linestring | 任意的线条，由两到多个点组成 | | polygon | 由 N+1 个点组成的封闭 N 边形 | | multipoint | 一组不连续但有可能相关联的点 | | multilinestring | 多条不关联的线 | | multipolygon | 多个不关联的多边形 | | geometrycollection | 几何对象的集合 | | envelop | 由左上角坐标或右下角坐标确定的封闭矩形 | | circle | 由圆心和半径确定的圆，默认单位为米 |

  5. coordinates：坐标，不同类型对应的坐标组合也不同

参考下图录入数据
image.png
录入北京坐标点信息

  1. PUT /shape_index/_doc/bei_jing_point
  2. {
  3.   "name" : "北京",
  4.   "location" : {
  5.       "type" : "point",
  6.       "coordinates" : [116.20,39.56]
  7.   }
  8. }

录入第一个三角形信息，包括三个点，需要注意的是，多边形必须闭合

  1. 甘肃：92.13，32.31
  2. 黑龙江：125.03，50.49

  3. 台湾：119.18，20.45

    1. PUT /shape_index/_doc/ght_triangle
    2. {
    3. "name": "甘肃黑龙江台湾三角形",
    4. "location": {
    5.  "type": "polygon",
    6.  "coordinates": [
    7.    [
    8.      [
    9.        92.13,
    10.        32.31
    11.      ],
    12.      [
    13.        125.03,
    14.        50.49
    15.      ],
    16.      [
    17.        119.18,
    18.        20.45
    19.      ],
    20.      [
    21.        92.13,
    22.        32.31
    23.      ]
    24.    ]
    25.  ]
    26. }
    27. }

    录入第二个三角形信息，包括三个点，需要注意的是，多边形必须闭合

  4. 宁夏：105.49,38.08

  5. 新疆：96.37,42.45

  6. 西藏：80.24,31.29

    1. PUT /shape_index/_doc/nxx_triangle
    2. {
    3. "name": "宁夏新疆西藏三角形",
    4. "location": {
    5.  "type": "polygon",
    6.  "coordinates": [
    7.    [
    8.      [
    9.        105.49,
    10.        38.08
    11.      ],
    12.      [
    13.        96.37,
    14.        42.45
    15.      ],
    16.      [
    17.        80.24,
    18.        31.29
    19.      ],
    20.      [
    21.        105.49,
    22.        38.08
    23.      ]
    24.    ]
    25.  ]
    26. }
    27. }

    7.查询形状

    不同形状查询

    es中通过geo_shape命令来查询地理位置图形，可以用来查询重叠图形，完全不重叠图形，完全包含图形

    命令格式

    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "shape": {
    7.        "type": "polygon",
    8.        "coordinates": [
    9.          [
    10.            [
    11.              105.49,
    12.              38.08
    13.            ],
    14.            [
    15.              96.37,
    16.              42.45
    17.            ],
    18.            [
    19.              80.24,
    20.              31.29
    21.            ],
    22.            [
    23.              105.49,
    24.              38.08
    25.            ]
    26.          ]
    27.        ]
    28.      },
    29.      "relation": "disjoint"
    30.    }
    31.  }
    32. }
    33. }

  7. geo_shape：枚举类型固定

  8. location：查询字段名称
  9. shape：枚举类型固定，里面的图形符合geojson即可

  10. relation：图形关系，分为以下三种 :::success

  11. intersects：（默认）查询的形状与索引的形状有重叠。

  12. disjoint：查询的形状与索引的形状完全不重叠。

  13. within：索引的形状完全被包含在查询的形状中。不支持直线几何图形。 :::

    示例

  14. 查询甘肃黑龙江台湾三角形完全包含的，理论上返回北京点

    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "shape": {
    7.        "type": "polygon",
    8.        "coordinates": [
    9.          [
    10.            [
    11.              92.13,
    12.              32.31
    13.            ],
    14.            [
    15.              125.03,
    16.              50.49
    17.            ],
    18.            [
    19.              119.18,
    20.              20.45
    21.            ],
    22.            [
    23.              92.13,
    24.              32.31
    25.            ]
    26.          ]
    27.        ]
    28.      },
    29.      "relation": "within"
    30.    }
    31.  }
    32. }
    33. }

    image.png
    如图，完全包含北京，与预期结果一致

  15. 查询甘肃黑龙江台湾三角形有重叠的，理论上返回北京点，甘肃黑龙江台湾三角形，宁夏新疆西藏三角形

    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "shape": {
    7.        "type": "polygon",
    8.        "coordinates": [
    9.          [
    10.            [
    11.              92.13,
    12.              32.31
    13.            ],
    14.            [
    15.              125.03,
    16.              50.49
    17.            ],
    18.            [
    19.              119.18,
    20.              20.45
    21.            ],
    22.            [
    23.              92.13,
    24.              32.31
    25.            ]
    26.          ]
    27.        ]
    28.      },
    29.      "relation": "intersects"
    30.    }
    31.  }
    32. }
    33. }

    image.png
    如图，全部返回，与预期结果一致

  16. 查询宁夏新疆西藏三角形完全不包含的，理论上返回北京点

    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "shape": {
    7.        "type" : "polygon",
    8.          "coordinates" : [
    9.            [
    10.              [
    11.                105.49,
    12.                38.08
    13.              ],
    14.              [
    15.                96.37,
    16.                42.45
    17.              ],
    18.              [
    19.                80.24,
    20.                31.29
    21.              ],
    22.              [
    23.                105.49,
    24.                38.08
    25.              ]
    26.            ]
    27.          ]
    28.      },
    29.      "relation": "disjoint"
    30.    }
    31.  }
    32. }
    33. }

    image.png
    如图，返回北京点，与预期结果一致

    使用已经存储的图形

    同样可以使用已经存储好的图形，进行计算

    命令格式

    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "relation": "within",
    7.      "indexed_shape": { 
    8.        "index": "shape_index",
    9.        "id":    "ght_triangle",
    10.        "path":  "location"
    11.      }
    12.    }
    13.  }
    14. }
    15. }

  17. location：查询字段

  18. relation：图形关系
  19. indexed_shape：枚举类型固定字段
  20. index：索引
  21. id：文档ID
  22. path：文档字段

    示例

    查询甘肃黑龙江台湾三角形完全包含的点，理论上返回北京点
    1. GET shape_index/_search
    2. {
    3. "query": {
    4.  "geo_shape": {
    5.    "location": {
    6.      "relation": "within",
    7.      "indexed_shape": { 
    8.        "index": "shape_index",
    9.        "id":    "ght_triangle",
    10.        "path":  "location"
    11.      }
    12.    }
    13.  }
    14. }
    15. }
    image.png
    如图，返回结果与预期结果一致