出自 图灵学院 ElasticSearch课程, 我自己学完了,整理了一下,然后给老师说的话,记录了一下,发了个博客

概述

ES支持地理位置的搜索和聚合分析，可实现在指定区域内搜索数据、搜索指定地点附近的数据、聚合分析指定地点附近的数据等操作。
ES中如果使用地理位置搜索的话，必须提供一个特殊的字段类型。GEO - geo_point。地理位置的坐标点。

1、定义geo point mapping

如果需要使用地址坐标，则需要定义一个指定的mapping类型。具体如下：
使用什么数据可以确定，地球上的一个具体的点？经纬度。

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

“type”: “geo_point” // 特殊的数据类型

2、录入数据

新增一个基于geo point类型的数据，可以使用多种方式。

多种类型描述geo_point类型字段的时候，在搜索数据的时候，显示的格式和录入的格式是统一的。不影响搜索。任何数据描述的geo_point类型字段，都适用地理位置搜索。

数据范围要求：纬度范围是-90~90之间，经度范围是-180~180之间。

经纬度数据都是浮点数或字符串,但是字符串必须得全都是文字（数字组成的字符串）

最大精度：小数点后7位。（常用小数点后6位即可。）

下面有其中三种方式插入数据

基于数字：latitude：纬度、longitude：经度。语义清晰，建议使用。

  1. PUT /hotel_app/_doc/1
  2. {
  3.   "name": "七天连锁酒店",
  4.   "pin": {
  5.     "lat": 40.12,  
  6.     "lon": -71.34
  7.   }
  8. }

基于字符串：依次定义纬度、经度。不推荐使用

40.99代表纬度 -701.81代表经度

  1. PUT /hotel_app/_doc/2
  2. {
  3. "name": "维多利亚大酒店",
  4. "pin" : "40.99, -70.81"
  5. }

基于数组：依次定义经度、纬度。不推荐使用

注意,这个基于数组的经度纬度顺序和上面的基于字符串的顺序不一样的.

40代表经度
-73.81代表纬度

  1. PUT /hotel_app/_doc/3
  2. {
  3. "name": " 红树林宾馆",
  4. "pin" : [40, -73.81]
  5. }

3、搜索指定区域范围内的数据

总结：

多边形范围搜索：对传入的若干点的坐标顺序没有任何的要求。只要传入若干地理位置坐标点，即可形成多边形。

搜索矩形范围内的数据

geo_bounding_box的意思代表是矩形的形式

image.png

top_left 就是矩形的左上方这个点, bottom_right就是矩形的右下方这个点,指定了这两个点之后,就将这两个点连城一个矩形, 将矩形的数据查询出来

矩形范围搜索：传入的top_left和bottom_right坐标点是有固定要求的。地图中以北作为top，南作为bottom，西作为left，东作为right。也就是top_left应该从西北向东南。Bottom_right应该从东南向西北。Top_left的纬度应该大于bottom_right的纬度，top_left的经度应该小于bottom_right的经度。

  1.  GET /hotel_app/_doc/_search
  2. {
  3.   "query": {
  4.     "geo_bounding_box": {
  5.       "pin": {
  6.         "top_left": { //矩形的左上方这个点
  7.           "lat": 41.73,
  8.           "lon": -74.1
  9.         },
  10.         "bottom_right": {  // 矩形的右下方这个点
  11.           "lat": 40.01,
  12.           "lon": -70.12
  13.         }
  14.       }
  15.     }
  16.   }
  17. }

但是上面的方式会对结果进行评分排序,效率不如filter效率高,下面这种效率是最高的.

  1. GET /hotel_app/_doc/_search
  2. {
  3.   "query": {
  4.     "bool": {
  5.       "must": [
  6.         {
  7.           "match_all": {}
  8.         }
  9.       ],
  10.       "filter": {
  11.         "geo_bounding_box": {
  12.           "pin": {
  13.             "top_left": {
  14.               "lat": 41.73,
  15.               "lon": -74.1
  16.             },
  17.             "bottom_right": {
  18.               "lat": 40.01,
  19.               "lon": -70.12
  20.             }
  21.           }
  22.         }
  23.       }
  24.     }
  25.   }
  26. }

搜索多边形范围内的数据

多边形就是你有几个点,然后这几个点就串联起来,

假如说你有三个点,那么就是三个点串联起来成为一个三角形,ElasticSearch会将三角形里面的坐标数据返回给客户端

image.png

假如说你有四个点,ElasticSearch会将四个点串联起来,然后将这四个点串联的四边形里面的数据返回给你客户端
image.png

输入:

  1. GET /hotel_app/_doc/_search
  2. {
  3.   "query": {
  4.     "bool": {
  5.       "must": [
  6.         {
  7.           "match_all": {}
  8.         }
  9.       ],
  10.       "filter": {
  11.         "geo_polygon": {
  12.           "pin": {
  13.             "points": [
  14.               {
  15.                 "lat": 40.73,
  16.                 "lon": -74.1
  17.               },
  18.               {
  19.                 "lat": 40.01,
  20.                 "lon": -71.12
  21.               },
  22.               {
  23.                 "lat": 50.56,
  24.                 "lon": -90.58
  25.               }
  26.             ]
  27.           }
  28.         }
  29.       }
  30.     }
  31.   }
  32. }

结果

  1. {
  2.   "took" : 22,
  3.   "timed_out" : false,
  4.   "_shards" : {
  5.     "total" : 1,
  6.     "successful" : 1,
  7.     "skipped" : 0,
  8.     "failed" : 0
  9.   },
  10.   "hits" : {
  11.     "total" : {
  12.       "value" : 1,
  13.       "relation" : "eq"
  14.     },
  15.     "max_score" : 1.0,
  16.     "hits" : [
  17.       {
  18.         "_index" : "hotel_app",
  19.         "_type" : "_doc",
  20.         "_id" : "1",
  21.         "_score" : 1.0,
  22.         "_source" : {
  23.           "name" : "七天连锁酒店",
  24.           "pin" : {
  25.             "lat" : 40.12,
  26.             "lon" : -71.34
  27.           }
  28.         }
  29.       }
  30.     ]
  31.   }
  32. }

搜索某地点附近的数据

比如说我想去吃饭,我希望找以我为中心,直径两公里的以内的饭店

这个搜索在项目中更加常用。类似附近搜索功能。
Distance距离的单位，常用的有米（m）和千米（km）。
建议使用filter来过滤geo_point数据。因为geo_point数据相关度评分计算比较耗时。使用query来搜索geo_point数据效率相对会慢一些。建议使用filter。

pin就是指定当前的经纬度
distance是距离
geo_distance是圆圈的形式

  1. GET /hotel_app/_doc/_search
  2. {
  3.   "query": {
  4.     "bool": {
  5.       "must": [
  6.         {
  7.           "match_all": {}
  8.         }
  9.       ],
  10.       "filter": {
  11.         "geo_distance": {//指定以圆圈的形式,以lat是40,lon是-70的地点为中心,直径为200km内的数据
  12.           "distance": "200km",
  13.           "pin": {
  14.             "lat": 40,
  15.             "lon": -70
  16.           }
  17.         }
  18.       }
  19.     }
  20.   }
  21. }

下面这种会对结果打分排序,效率不如上面带filter的效率高,上面filter方式搜索不会对结果进行打分.效率更高.

  1. GET hotel_app/_search
  2. {
  3.   "query": {
  4.     "geo_distance": {
  5.       "distance": "90km",
  6.       "pin": {
  7.         "lat": 40.55,
  8.         "lon": -71.12
  9.       }
  10.     }
  11.   }
  12. }

统计某位置附近区域内的数据

比如说你打开一个app,里面有个功能,就显示距离你2公里有多少个商家,这个功能就是聚合统计.

聚合统计分别距离某位置80英里，300英里，1000英里范围内的数据数量。
其中unit是距离单位，常用单位有：米（m），千米（km），英里（mi）
distance_type是统计算法：sloppy_arc默认算法、arc最高精度、plane最高效率

dsl内容解释:

  1. GET /hotel_app/_doc/_search
  2. {
  3.   "size": 0,// 这个意思是我不想看到统计的元数据信息
  4.   "aggs": { //统计
  5.     "agg_by_pin": { //统计的名字
  6.       "geo_distance": { //圆圈的形式做统计
  7.         "distance_type": "arc",//统计的类型 arc是最高精度 plane是最高效率
  8.         "field": "pin", //字段名
  9.         "origin": { // 原始的位置,就好比我用这个点做统计
  10.           "lat": 40,
  11.           "lon": -70
  12.         },
  13.         "unit": "mi", //指定单位是mi ,就是英里
  14.         "ranges": [ //根据范围统计
  15.           {    //距离0~80范围的
  16.             "to": 80
  17.           },
  18.           {  //80~300范围的数据
  19.             "from": 80,
  20.             "to": 300
  21.           },
  22.           {  // 300~1000范围的数据
  23.             "from": 300,
  24.             "to": 1000
  25.           }
  26.         ]
  27.       }
  28.     }
  29.   }
  30. }

输入dsl:

  1. GET /hotel_app/_doc/_search
  2. {
  3.   "size": 0,
  4.   "aggs": {
  5.     "agg_by_pin": {
  6.       "geo_distance": {
  7.         "distance_type": "arc",
  8.         "field": "pin",
  9.         "origin": {
  10.           "lat": 40,
  11.           "lon": -70
  12.         },
  13.         "unit": "mi",
  14.         "ranges": [
  15.           {
  16.             "to": 80
  17.           },
  18.           {
  19.             "from": 80,
  20.             "to": 300
  21.           },
  22.           {
  23.             "from": 300,
  24.             "to": 1000
  25.           }
  26.         ]
  27.       }
  28.     }
  29.   }
  30. }

结果

  1. {
  2.   "took" : 8,
  3.   "timed_out" : false,
  4.   "_shards" : {
  5.     "total" : 1,
  6.     "successful" : 1,
  7.     "skipped" : 0,
  8.     "failed" : 0
  9.   },
  10.   "hits" : {
  11.     "total" : {
  12.       "value" : 3,
  13.       "relation" : "eq"
  14.     },
  15.     "max_score" : null,
  16.     "hits" : [ ]
  17.   },
  18.   "aggregations" : {
  19.     "agg_by_pin" : {
  20.       "buckets" : [
  21.         {  // 0~80的数量为1
  22.           "key" : "*-80.0",
  23.           "from" : 0.0,
  24.           "to" : 80.0,
  25.           "doc_count" : 1
  26.         },
  27.         {  // 80~300的数量为1
  28.           "key" : "80.0-300.0",
  29.           "from" : 80.0,
  30.           "to" : 300.0,
  31.           "doc_count" : 1
  32.         }, 
  33.         { // 300~1000的数量为0
  34.           "key" : "300.0-1000.0",
  35.           "from" : 300.0,
  36.           "to" : 1000.0,
  37.           "doc_count" : 0
  38.         }
  39.       ]
  40.     }
  41.   }
  42. }