摘要：下面是一个根据用户地址在百度地图中查找坐标之后再反馈用户周边的一些信息了，这个在我们公司做项目地址时就常用上了，只要把信息post给百度就会有反馈
下面是一个根据用户地址在百度地图中查找坐标之后再反馈用户周边的一些信息了，这个在我们公司做项目地址时就常用上了，只要把信息post给百度就会有反馈
目前的工作是需要对用户的一些数据进行分析，每个用户都有若干条记录，每条记录中有用户的一个位置，是用经度和纬度表示的。
还有一个给定的数据库，存储的是一些已知地点以及他们的经纬度，内有43W多条的数据。
现在需要拿用户的经纬度和已知地点进行距离匹配，如果它们之间的距离小于一定的数据，比如说500米，就认为用户是在这个地点。
MYSQL本身是支持空间索引的，但是在5.x的版本中，取消了对Distance()和Related()的支持，无法使用空间的距离函数去直接去查询距离在一定范围内的点。所以，我首先想到的是，对每条记录，去进行遍历，跟数据库中的每一个点进行距离计算，当距离小于500米时，认为匹配。这样做确实能够得到结果，但是效率极其低下，因为每条记录都要去循环匹配40W条数据，其消耗的时间可想而知。经过记录，发现每条记录处理的时间消耗达到1700ms，针对每天上亿的数据量，这样一个处理速度，让人情何以堪啊。。。
我自己也有个想法，就是找到每条记录所在点的经纬度周围的一个大概范围，比方说正方形的四个点，然后使用mysql的空间计算，使用MBR去得出点在这个矩形内的已知记录，然后进行匹配。可惜，自己没想出能计算到四个点经纬度的方法。
意外的，查询到了一个关于这个计算附近地点搜索初探，里面使用python实现了这个想法。
所以参考了一下原文中的算法，使用PHP进行了实现。
实现原理也是很相似的，先算出该点周围的矩形的四个点，然后使用经纬度去直接匹配数据库中的记录。
红色部分为要求的搜索范围，绿色部分我们能间接得到的结果范围
红色部分为要求的搜索范围，绿色部分我们能间接得到的结果范围
参考wiki百科上的一些球面计算公式：
Great-circle distance
Haversine formula
假设已知点的经纬度分别为￥lng, ￥lat
先实现经度范围的查询，
在haversin公式中令φ1 = φ2，可得:
用PHP进行计算，就是：
Example
代码如下 复制代码
//￥lat 已知点的纬度
￥dlng = 2 * asin(sin(￥distance / (2 * EARTH_RADIUS)) / cos(deg2rad(￥lat)));
￥dlng = rad2deg(￥dlng);//转换弧度
然后是纬度范围的查询，
在haversin公式中令 Δλ = 0，可得
在PHP中进行计算，就是：
Example
代码如下 复制代码
￥dlat = ￥distance/EARTH_RADIUS;//EARTH_RADIUS地球半径
￥dlat = rad2deg(￥dlat);//转换弧度
最后，就可以得出四个点的坐标：
left-top : (lat + dlat, lng – dlng)
right-top : (lat + dlat, lng + dlng)
left-bottom : (lat – dlat, lng – dlng)
right-bottom: (lat – dlat, lng + dlng)
我把以上方法写成了一个函数，综合起来就是：
Example
代码如下 复制代码
define(EARTH_RADIUS, 6371);//地球半径，平均半径为6371km
/**
*计算某个经纬度的周围某段距离的正方形的四个点
*
*@param lng float 经度
*@param lat float 纬度
*@param distance float 该点所在圆的半径，该圆与此正方形内切，默认值为0.5千米
*@return array 正方形的四个点的经纬度坐标
*/
function returnSquarePoint(￥lng, ￥lat,￥distance = 0.5){
￥dlng = 2 * asin(sin(￥distance / (2 * EARTH_RADIUS)) / cos(deg2rad(￥lat)));
￥dlng = rad2deg(￥dlng);
￥dlat = ￥distance/EARTH_RADIUS;
￥dlat = rad2deg(￥dlat);
return array(
'left-top'=>array('lat'=>￥lat + ￥dlat,'lng'=>￥lng-￥dlng),
'right-top'=>array('lat'=>￥lat + ￥dlat, 'lng'=>￥lng + ￥dlng),
'left-bottom'=>array('lat'=>￥lat - ￥dlat, 'lng'=>￥lng - ￥dlng),
'right-bottom'=>array('lat'=>￥lat - ￥dlat, 'lng'=>￥lng + ￥dlng)
);
}
//使用此函数计算得到结果后，带入sql查询。
￥squares = returnSquarePoint(￥lng, ￥lat);
￥info_sql = "select id,locateinfo,lat,lng from “lbs_info“ where lat<>0 and lat>{￥squares['right-bottom']['lat']} and lat<{￥squares['left-top']['lat']} and lng>{￥squares['left-top']['lng']} and lng<{￥squares['right-bottom']['lng']} ";
在lat和lng上建立一个联合索引后，使用此项查询，每条记录的查询消耗平均为0.8毫秒，相比以前的1700ms，真的是天壤之别啊。效率真真的是以前的2125倍~~
总结：这应该也不是效率最好的办法，但是效率比以前确实有明显的提升。请记住，总有办法更好的。
公安备案：皖公网安备34019102000119号 
