[ElasticSearch] 空间搜索（一）

来源：互联网发布：顶尖数据恢复破解版编辑：程序博客网时间：2024/06/02 12:18

根据索引文档的地理坐标来进行搜索，Elasticsearch 也能够处理这样的搜索。——空间搜索

一、为空间搜索准备映射

PUT my_space_test{  "mappings": {    "poi": {      "properties": {        "name": {          "type": "string"        },        "locationpoint": {          "type":"geo_point"  //任意的地理坐标        },        "locationshape": {          "type": "geo_shape"  //任意的地理形状        }      }    }  }}

二、批量添加数据

POST my_space_test/poi/_bulk{"index":{"_id":1}}{"name":"New York","locationpoint":"40.664167, -73.938611","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}{"index":{"_id":2}}{"name":"London","locationpoint":[-0.1275,51.5072222],"locationshape":{"type":"polygon","coordinates":[[[0,0],[4.87463,52.37254],[4.87875,52.36369],[0,0]]]}}{"index":{"_id":3}}{"name":"Moscow","locationpoint":{"lat":55.75,"lon":37.616667},"locationshape":{"type":"polygon","coordinates":[[[22,22],[4.87463,52.37254],[4.87875,52.36369],[22,22]]]}}{"index":{"_id":4}}{"name":"Sydney","locationpoint":"-33.859972, 151.211111","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}{"index":{"_id":5}}{"name":"Sydney","locationpoint":"eycs0p8ukc7v","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}

仔细观看locationpoint字段可以看到坐标可以使用多种形式来赋值，可以使用字符串、数组（只能包含两个数值）、一个对象、地理散列值等来提供经纬度。具体每种方式可能略有不同，具体使用再查相关资料。

再来看一下，locationshape,其形式就更加多样了，可以是一个点，即为一组数值对 [ 经度，维度 ] ，也可以是一个框 [ [左，上], [右，下] ]，还可以是多边形，但是必须保证第一个坐标和最后一个坐标是相同的，从而保证是一个闭合的图形。[ [ [1,1],[2,2], [3,4] ,[1,1] ] ] ,可以发现多边形的定义中其可以是多个多边形，是一个可扩展的数组。

三、查询方式

3.1 基于距离排序

GET my_space_test/poi/_search{  "query": {    "match_all": {}  },  "sort": [    {      "_geo_distance": {        "locationpoint": {          "lat": 48.8567,          "lon": 2.3508        },        "unit": "km",        "order": "asc"      }    }  ]}GET my_space_test/poi/_search{  "query": {    "match_all": {}  },  "sort": [    {        "_geo_distance":<{        "locationpoint": [       //或者是："locationpoint"：" 48.8567,2.3508"          2.3508,          48.8567        ],        "unit": "km",        "order": "asc"      }    }  ]}

以上查询的结果是一样的（注意数组和字符串坐标的位置顺序是不同的）通过距离坐标点 [ 2.3508,48.8567 ]的大小来对查询文档进行排序。这在实际搜索中非常有用，可以返回临近的一些坐标点。

3.2 边界框过滤（获得包含在指定区域内文档）

"query": {    "filtered": {      "filter": {        "bool": {          "should": [            {             "geo_bounding_box": {                "locationpoint": {                  "top_left": "52.4796,-1.903",                  "bottom_right": "48.8567,2.3508"                }              }            },            {             "geo_distance":{                "distance": 500,                "distance_unit": "km",                "locationpoint": "48.8567,2.3508"              }            }]}}}}

示意图 1

返回的文档就像是包含在矩形和圆形中的蓝色点，红色点用来确定边框，红色线段确定距离范围。在图形之外的点就被过滤掉了。以上都是针对类型为geo_point

下面我们来看一下geo_shape类型是如何使用的？

"query": {    "filtered": {      "filter": {        "bool": {          "should": [            {              "geo_shape": {                "locationshape": {                  "indexed_shape": {             //使用已经索引的形状                    "index": "my_space_test",                    "type": "poi",                    "id": "4",                    "path": "locationshape"                  },                  "relation": "within"                }              }            },            {              "geo_shape": {                "locationshape": {          //自定义形状——圆                  "shape": {                    "type": "circle",                       "radius": "1km",                    "coordinates": [                      -45,                      45                    ]                  },                  "relation": "within"                }              }            },{              "geo_shape": {                "locationshape": {                  "shape": {                    "type": "envelope",     //自定义的形状包络线，即：box（矩形）                    "coordinates": [                      [                        -45,                        45                      ],                      [                        45,                        -45                      ]                    ]                  },                  "relation": "within"                }              }            },{              "geo_shape": {                "locationshape": {       //自定义的多边形，一定要注意，多边形的定义是包含在一个数组中的，是一个可扩展的数组                  "shape": {                    "type": "polygon",                    "coordinates": [[[1,1],[2,3],[4,2],[1,1]]]                  },                  "relation": "within"                }              }            }          ]        }      }    }  }

首先来说，过滤查询的字段locationshap 中包含多种形状类型，有点、包络线、多边形、甚至说多个多边形

以上的查询是看那些形状位于所查询的形状之内。

我们再来个示意图吧，这样好理解一些。

示意图2

比如说，我们可以定义一个中国的多边形，然后查找那些城市是位于中国的，这些城市也可以是多边形，当然也可以用一个点来定义，通过这样的过滤方式都能够准确的找到。

怎么样？ES是不是很炫？革命尚未成功，同志仍需努力！坚持你才能看到最美的风景，即便一路上会有荆棘。接下来看看，空间搜索对应的高亮和聚合。待续……

2 0