为什么用redis做缓存不用mongodb（mysqlredismongodb都是怎么实现）
为什么用redis做缓存不用mongodb（mysqlredismongodb都是怎么实现）在这里插入图片描述GeoHash算法将二维的经、纬度转换成一个字符串，例如：下图中9个GeoHash字符串代表了9个区域，每一个字符串代表了一矩形区域。而这个矩形区域内其他的点（经、纬度）都用同一个GeoHash字符串表示。“附近的人” 也就是常说的 LBS (Location Based Services，基于位置服务)，它围绕用户当前地理位置数据而展开的服务，为用户提供精准的增值服务。“附近的人” 核心思想如下：在说 “附近的人” 功能的具体实现之前，先来认识一下GeoHash 算法，因为后边会一直和它打交道。定位一个位置最好的办法就是用经、纬度标识，但经、纬度它是二维的，在进行位置计算的时候还是很麻烦，如果能通过某种方法将二维的经、纬度数据转换成一维的数据，那么比较起来就要容易的多，因此GeoHash算法应运而生。
引言昨天一位公众号粉丝和我讨论了一道面试题，个人觉得比较有意义，这里整理了一下分享给大家，愿小伙伴们面试路上少踩坑。面试题目比较简单：“让你实现一个附近的人功能，你有什么方案？”，这道题其实主要还是考察大家对于技术的广度，本文介绍几种方案，给大家一点思路，避免在面试过程中语塞而影响面试结果，如有不严谨之处，还望亲人们温柔指正！
“附近的人” 功能生活中是比较常用的，像外卖app附近的餐厅，共享单车app里附近的车辆。既然常用面试被问的概率就很大，所以下面依次来分析基于mysql数据库、redis、 MongoDB实现的 “附近的人” 功能。
在这里插入图片描述
科普：世界上标识一个位置，通用的做法就使用经、纬度。经度的范围在 (-180 180]，纬度的范围 在(-90 90]，纬度正负以赤道为界，北正南负，经度正负以本初子午线 (英国格林尼治天文台) 为界，东正西负。比如：望京摩托罗拉大厦的经、纬度（116.49141，40.01229）全是正数，就是因为我国位于东北半球。
一、“附近的人”原理
“附近的人” 也就是常说的 LBS (Location Based Services，基于位置服务)，它围绕用户当前地理位置数据而展开的服务，为用户提供精准的增值服务。
“附近的人” 核心思想如下：
- 以 “我” 为中心，搜索附近的用户
- 以 “我” 当前的地理位置为准，计算出别人和 “我” 之间的距离
- 按 “我” 与别人距离的远近排序，筛选出离我最近的用户或者商店等在这里插入图片描述
在说 “附近的人” 功能的具体实现之前，先来认识一下GeoHash 算法，因为后边会一直和它打交道。定位一个位置最好的办法就是用经、纬度标识，但经、纬度它是二维的，在进行位置计算的时候还是很麻烦，如果能通过某种方法将二维的经、纬度数据转换成一维的数据，那么比较起来就要容易的多，因此GeoHash算法应运而生。
GeoHash算法将二维的经、纬度转换成一个字符串，例如：下图中9个GeoHash字符串代表了9个区域，每一个字符串代表了一矩形区域。而这个矩形区域内其他的点（经、纬度）都用同一个GeoHash字符串表示。
在这里插入图片描述
比如：WX4ER区域内的用户搜索附近的餐厅数据，由于这区域内用户的GeoHash字符串都是WX4ER，故可以把WX4ER当作key，餐厅信息作为value进行缓存；而如果不使用GeoHash算法，区域内的用户请求餐厅数据，用户传来的经、纬度都是不同的，这样缓存不仅麻烦且数据量巨大。
GeoHash字符串越长，表示的位置越精确，字符串长度越长代表在距离上的误差越小。下图geohash码精度表：
geohash码长度宽度高度15 009.4km4 992.6km21 252.3km624.1km3156.5km156km439.1km19.5km54.9km4.9km61.2km609.4m7152.9m152.4m838.2m19m94.8m4.8m101.2m59.5cm1114.9cm14.9cm123.7cm1.9cm
而且字符串越相似表示距离越相近，字符串前缀匹配越多的距离越近。比如：下边的经、纬度就代表了三家距离相近的餐厅。
商户经纬度Geohash字符串串串香116.402843 39.999375wx4er9v火锅116.3967 39.99932wx4ertk烤肉116.40382 39.918118wx4erfe
让大家简单了解什么是GeoHash算法，方便后边内容展开，GeoHash算法内容比较高深，感兴趣的小伙伴自行深耕一下，这里不占用过多篇幅（其实是我懂得太肤浅，哭唧唧~）。
三、基于Mysql此种方式是纯基于mysql实现的，未使用GeoHash算法。
1、设计思路以用户为中心，假设给定一个500米的距离作为半径画一个圆，这个圆型区域内的所有用户就是符合用户要求的 “附近的人”。但有一个问题是圆形有弧度啊，直接搜索圆形区域难度太大，根本无法用经、纬度直接搜索。
但如果在圆形外套上一个正方形，通过获取用户经、纬度的最大最小值（经、纬度 距离），再根据最大最小值作为筛选条件，就很容易将正方形内的用户信息搜索出来。
那么问题又来了，多出来一些面积肿么办？
我们来分析一下，多出来的这部分区域内的用户，到圆点的距离一定比圆的半径要大，那么我们就计算用户中心点与正方形内所有用户的距离，筛选出所有距离小于等于半径的用户，圆形区域内的所用户即符合要求的“附近的人”。
在这里插入图片描述
2、利弊分析纯基于 mysql 实现 “附近的人”，优点显而易见就是简单，只要建一张表存下用户的经、纬度信息即可。缺点也很明显，需要大量的计算两个点之间的距离，非常影响性能。
3、实现创建一个简单的表用来存放用户的经、纬度属性。
1CREATETABLE`nearby_user`(
2`id`int(11)NOTNULLAUTO_INCREMENT
3`name`varchar(255)DEFAULTNULLCOMMENT'名称'
4`longitude`doubleDEFAULTNULLCOMMENT'经度'
5`latitude`doubleDEFAULTNULLCOMMENT'纬度'
6`create_time`datetimeDEFAULTNULLONUPDATECURRENT_TIMESTAMPCOMMENT'创建时间'
7PRIMARYKEY(`id`)
8)ENGINE=InnoDBDEFAULTCHARSET=utf8mb4;
计算两个点之间的距离，用了一个三方的类库，毕竟自己造的轮子不是特别圆，还有可能是方的，啊哈哈哈~
1<dependency>
2<groupId>com.spatial4j</groupId>
3<artifactId>spatial4j</artifactId>
4<version>0.5</version>
5</dependency>
获取到外接正方形后，以正方形的最大最小经、纬度值搜索正方形区域内的用户，再剔除超过指定距离的用户，就是最终的附近的人。
1privateSpatialContextspatialContext=SpatialContext.GEO;
2
3/**
4*获取附近x米的人
5*
6*@paramdistance搜索距离范围单位km
7*@paramuserLng当前用户的经度
8*@paramuserLat当前用户的纬度
9*/
10@GetMapping("/nearby")
11publicStringnearBySearch(@RequestParam("distance")doubledistance
12@RequestParam("userLng")doubleuserLng
13@RequestParam("userLat")doubleuserLat){
14//1.获取外接正方形
15Rectanglerectangle=getRectangle(distance userLng userLat);
16//2.获取位置在正方形内的所有用户
17List<User>users=userMapper.selectUser(rectangle.getMinX() rectangle.getMaxX() rectangle.getMinY() rectangle.getMaxY());
18//3.剔除半径超过指定距离的多余用户
19users=users.stream()
20.filter(a->getDistance(a.getLongitude() a.getLatitude() userLng userLat)<=distance)
21.collect(Collectors.toList());
22returnJSON.toJSONString(users);
23}
24
25privateRectanglegetRectangle(doubledistance doubleuserLng doubleuserLat){
26returnspatialContext.getDistCalc()
27.calcBoxByDistFromPt(spatialContext.makePoint(userLng userLat)
28distance*DistanceUtils.KM_TO_DEG spatialContext null);
29}
由于用户间距离的排序是在业务代码中实现的，可以看到SQL语句也非常的简单。
1<selectid="selectUser"resultMap="BaseResultMap">
2SELECT*FROMuser
3WHERE1=1
4and(longitudeBETWEEN${minlng}AND${maxlng})
5and(latitudeBETWEEN${minlat}AND${maxlat})
6</select>
7四、Mysql GeoHash1、设计思路
这种方式的设计思路更简单，在存用户位置信息时，根据用户经、纬度属性计算出相应的geohash字符串。注意：在计算geohash字符串时，需要指定geohash字符串的精度，也就是geohash字符串的长度，参考上边的geohash精度表。
当需要获取附近的人，只需用当前用户geohash字符串，数据库通过WHERE geohash Like 'geocode%' 来查询geohash字符串相似的用户，然后计算当前用户与搜索出的用户距离，筛选出所有距离小于等于指定距离（附近500米）的，即附近的人。
2、利弊分析利用GeoHash算法实现“附近的人”有一个问题，由于geohash算法将地图分为一个个矩形，对每个矩形进行编码，得到geohash字符串。可我当前的点与邻近的点很近，但恰好我们分别在两个区域，明明就在眼前的点偏偏搜不到，实实在在的灯下黑。
如何解决这一问题？
为了避免类似邻近两点在不同区域内，我们就需要同时获取当前点（WX4G0）所在区域附近 8个区域的geohash码，一并进行筛选比较。
在这里插入图片描述
3、实现同样要设计一张表存用户的经、纬度信息，但区别是要多一个geo_code字段，存放geohash字符串，此字段通过用户经、纬度属性计算出。使用频繁的字段建议加上索引。
1CREATETABLE`nearby_user_geohash`(
2`id`int(11)NOTNULLAUTO_INCREMENT
3`name`varchar(255)DEFAULTNULLCOMMENT'名称'
4`longitude`doubleDEFAULTNULLCOMMENT'经度'
5`latitude`doubleDEFAULTNULLCOMMENT'纬度'
6`geo_code`varchar(64)DEFAULTNULLCOMMENT'经纬度所计算的geohash码'
7`create_time`datetimeDEFAULTNULLONUPDATECURRENT_TIMESTAMPCOMMENT'创建时间'
8PRIMARYKEY(`id`)
9KEY`index_geo_hash`(`geo_code`)
10)ENGINE=InnoDBDEFAULTCHARSET=utf8mb4;
首先根据用户经、纬度信息，在指定精度后计算用户坐标的geoHash码，再获取到用户周边8个方位的geoHash码在数据库中搜索用户，最后过滤掉超出给定距离（500米内）的用户。
1privateSpatialContextspatialContext=SpatialContext.GEO;
2
3/***
4*添加用户
5*@return
6*/
7@PostMapping("/addUser")
8publicbooleanadd(@RequestBodyUserGeohashuser){
9//默认精度12位
10StringgeoHashCode=GeohashUtils.encodeLatLon(user.getLatitude() user.getLongitude());
11returnuserGeohashService.save(user.setGeoCode(geoHashCode).setCreateTime(LocalDateTime.now()));
12}
13
14
15/**
16*获取附近指定范围的人
17*
18*@paramdistance距离范围（附近多远的用户）单位km
19*@paramlengeoHash的精度（几位的字符串）
20*@paramuserLng当前用户的经度
21*@paramuserLat当前用户的纬度
22*@returnjson
23*/
24@GetMapping("/nearby")
25publicStringnearBySearch(@RequestParam("distance")doubledistance
26@RequestParam("len")intlen
27@RequestParam("userLng")doubleuserLng
28@RequestParam("userLat")doubleuserLat){
29
30
31//1.根据要求的范围，确定geoHash码的精度，获取到当前用户坐标的geoHash码
32GeoHashgeoHash=GeoHash.withCharacterPrecision(userLat userLng len);
33//2.获取到用户周边8个方位的geoHash码
34GeoHash[]adjacent=geoHash.getAdjacent();
35
36QueryWrapper<UserGeohash>queryWrapper=newQueryWrapper<UserGeohash>()
37.likeRight("geo_code" geoHash.toBase32());
38Stream.of(adjacent).forEach(a->queryWrapper.or().likeRight("geo_code" a.toBase32()));
39
40//3.匹配指定精度的geoHash码
41List<UserGeohash>users=userGeohashService.list(queryWrapper);
42//4.过滤超出距离的
43users=users.stream()
44.filter(a->getDistance(a.getLongitude() a.getLatitude() userLng userLat)<=distance)
45.collect(Collectors.toList());
46returnJSON.toJSONString(users);
47}
48
49
50/***
51*球面中，两点间的距离
52*@paramlongitude经度1
53*@paramlatitude纬度1
54*@paramuserLng经度2
55*@paramuserLat纬度2
56*@return返回距离，单位km
57*/
58privatedoublegetDistance(Doublelongitude Doublelatitude doubleuserLng doubleuserLat){
59returnspatialContext.calcDistance(spatialContext.makePoint(userLng userLat)
60spatialContext.makePoint(longitude latitude))*DistanceUtils.DEG_TO_KM;
61}五、Redis GeoHash
Redis 3.2版本以后，基于geohash和数据结构Zset提供了地理位置相关功能。通过上边两种mysql的实现方式发现，附近的人功能是明显的读多写少场景，所以用redis性能更会有很大的提升。
1、设计思路redis 实现附近的人功能主要通过Geo模块的六个命令。
- GEOADD：将给定的位置对象（纬度、经度、名字）添加到指定的key;
- GEOPOS：从key里面返回所有给定位置对象的位置（经度和纬度）;
- GEODIST：返回两个给定位置之间的距离;
- GEOHASH：返回一个或多个位置对象的Geohash表示;
- GEORADIUS：以给定的经纬度为中心，返回目标集合中与中心的距离不超过给定最大距离的所有位置对象;
- GEORADIUSBYMEMBER：以给定的位置对象为中心，返回与其距离不超过给定最大距离的所有位置对象。
以GEOADD 命令和GEORADIUS 命令简单举例：
1GEOADDkeylongitudelatitudemember[longitudelatitudemember...]
其中，key为集合名称，member为该经纬度所对应的对象。
GEOADD 添加多个商户“火锅店”位置信息：
1GEOADDhotel119.9886618073271630.27465803229662火锅店
GEORADIUS 根据给定的经纬度为中心，获取目标集合中与中心的距离不超过给定最大距离（500米内）的所有位置对象，也就是“附近的人”。
1GEORADIUSkeylongitudelatituderadiusm|km|ft|mi[WITHCOORD][WITHDIST][WITHHASH][ASC|DESC][COUNTcount][STOREkey][STORedisTkey]
范围单位：m | km | ft | mi --> 米 | 千米 | 英尺 | 英里。
- WITHDIST：在返回位置对象的同时，将位置对象与中心之间的距离也一并返回。距离的单位和用户给定的范围单位保持一致。
- WITHCOORD：将位置对象的经度和维度也一并返回。
- WITHHASH：以 52 位有符号整数的形式，返回位置对象经过原始 geohash 编码的有序集合分值。这个选项主要用于底层应用或者调试，实际中的作用并不大。
- ASC | DESC：从近到远返回位置对象元素 | 从远到近返回位置对象元素。
- COUNT count：选取前N个匹配位置对象元素。（不设置则返回所有元素）
- STORE key：将返回结果的地理位置信息保存到指定key。
- STORedisT key：将返回结果离中心点的距离保存到指定key。
例如下边命令：获取当前位置周边500米内的所有饭店。
1GEORADIUShotel119.9886618073271630.27465803229662500mWITHCOORD
Redis内部使用有序集合(zset)保存用户的位置信息，zset中每个元素都是一个带位置的对象，元素的score值为通过经、纬度计算出的52位geohash值。
2、利弊分析redis实现附近的人效率比较高，集成也比较简单，而且还支持对距离排序。不过，结果存在一定的误差，要想让结果更加精确，还需要手动将用户中心位置与其他用户位置计算距离后，再一次进行筛选。
3、实现以下就是Java redis实现版本，代码非常的简洁。
1@Autowired
2privateRedisTemplate<String Object>redisTemplate;
3
4//GEO相关命令用到的KEY
5privatefinalstaticStringKEY="user_info";
6
7publicbooleansave(Useruser){
8Longflag=redisTemplate.opsForGeo().add(KEY newRedisGeoCommands.GeoLocation<>(
9user.getName()
10newPoint(user.getLongitude() user.getLatitude()))
11);
12returnflag!=null&&flag>0;
13}
14
15/**
16*根据当前位置获取附近指定范围内的用户
17*@paramdistance指定范围单位km，可根据{@linkorg.springframework.data.geo.Metrics}进行设置
18*@paramuserLng用户经度
19*@paramuserLat用户纬度
20*@return
21*/
22publicStringnearBySearch(doubledistance doubleuserLng doubleuserLat){
23List<User>users=newArrayList<>();
24//1.GEORADIUS获取附近范围内的信息
25GeoResults<RedisGeoCommands.GeoLocation<Object>>reslut=
26redisTemplate.opsForGeo().radius(KEY
27newCircle(newPoint(userLng userLat) newDistance(distance Metrics.KILOMETERS))
28RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()
29.includeDistance()
30.includeCoordinates().sortAscending());
31//2.收集信息，存入list
32List<GeoResult<RedisGeoCommands.GeoLocation<Object>>>content=reslut.getContent();
33//3.过滤掉超过距离的数据
34content.forEach(a->users.add(
35newUser().setDistance(a.getDistance().getValue())
36.setLatitude(a.getContent().getPoint().getX())
37.setLongitude(a.getContent().getPoint().getY())));
38returnJSON.toJSONString(users);
39}六、MongoDB 2d索引1、设计思路
MongoDB实现附近的人，主要是通过它的两种地理空间索引 2dsphere 和 2d。 两种索引的底层依然是基于Geohash来进行构建的。但与国际通用的Geohash还有一些不同，具体参考官方文档。
2dsphere 索引仅支持球形表面的几何形状查询。
2d 索引支持平面几何形状和一些球形查询。虽然2d 索引支持某些球形查询，但 2d 索引对这些球形查询时，可能会出错。所以球形查询尽量选择 2dsphere索引。
尽管两种索引的方式不同，但只要坐标跨度不太大，这两个索引计算出的距离相差几乎可以忽略不计。
2、实现首先插入一批位置数据到MongoDB， collection为起名 hotel，相当于MySQL的表名。两个字段name名称，location 为经、纬度数据对。
1db.hotel.insertMany([
2{'name':'hotel1' location:[115.993121 28.676436]}
3{'name':'hotel2' location:[116.000093 28.679402]}
4{'name':'hotel3' location:[115.999967 28.679743]}
5{'name':'hotel4' location:[115.995593 28.681632]}
6{'name':'hotel5' location:[115.975543 28.679509]}
7{'name':'hotel6' location:[115.968428 28.669368]}
8{'name':'hotel7' location:[116.035262 28.677037]}
9{'name':'hotel8' location:[116.024770 28.68667]}
10{'name':'hotel9' location:[116.002384 28.683865]}
11{'name':'hotel10' location:[116.000821 28.68129]}
12])
接下来我们给 location 字段创建一个2d索引，索引的精度通过bits来指定，bits越大，索引的精度就越高。
1db.coll.createIndex({'location':"2d"} {"bits":11111})
用geoNear命令测试一下， near 当前坐标（经、纬度），spherical 是否计算球面距离，distanceMultiplier地球半径，单位是米，默认6378137， maxDistance 过滤条件（指定距离内的用户），开启弧度需除distanceMultiplier，distanceField 计算出的两点间距离，字段别名（随意取名）。
1db.hotel.aggregate({
2$geoNear:{
3near:[115.999567 28.681813] //当前坐标
4spherical:true //计算球面距离
5distanceMultiplier:6378137 //地球半径 单位是米 那么的除的记录也是米
6maxDistance:2000/6378137 //过滤条件2000米内，需要弧度
7distanceField:"distance"//距离字段别名
8}
9})
看到结果中有符合条件的数据，还多出一个字段distance 刚才设置的别名，代表两点间的距离。
1{"_id":ObjectId("5e96a5c91b8d4ce765381e58") "name":"hotel10" "location":[116.000821 28.68129] "distance":135.60095397487655}
2{"_id":ObjectId("5e96a5c91b8d4ce765381e51") "name":"hotel3" "location":[115.999967 28.679743] "distance":233.71915803517447}
3{"_id":ObjectId("5e96a5c91b8d4ce765381e50") "name":"hotel2" "location":[116.000093 28.679402] "distance":273.26317035334176}
4{"_id":ObjectId("5e96a5c91b8d4ce765381e57") "name":"hotel9" "location":[116.002384 28.683865] "distance":357.5791936927476}
5{"_id":ObjectId("5e96a5c91b8d4ce765381e52") "name":"hotel4" "location":[115.995593 28.681632] "distance":388.62555058249967}
6{"_id":ObjectId("5e96a5c91b8d4ce765381e4f") "name":"hotel1" "location":[115.993121 28.676436] "distance":868.6740526419927}总结
本文重点并不是在具体实现，旨在给大家提供一些设计思路，面试中可能你对某一项技术了解的并不深入，但如果你的知识面宽，可以从多方面说出多种设计的思路，能够侃侃而谈，那么会给面试官极大的好感度，拿到offer的概率就会高很多。而且“附近的人” 功能使用的场景比较多，尤其是像电商平台应用更为广泛，所以想要进大厂的同学，这类的知识点还是应该有所了解的。
代码实现借鉴了一位大佬的开源项目，这里有前三种实现方式的demo，感兴趣的小伙伴可以学习一下，GitHub地址：https://github.com/larscheng/larscheng-learning-demo/tree/master/NearbySearch，。
感悟从正式成为一名程序员的那天起，注定要进行没有止境的学习，想要进阶高级或者专家，就要坚持每天都高效的学习，不要给自己的懒惰找借口，“什么我也想学习可是又没有资源”，这次我给你整理好了，我看你还有啥理由！私信回复【666】送你
