基於Solr的空間搜索(3)

接上文，本文將繼續介紹基於Solr的地理位置搜索的第二種實現方案

CartesianTiers+GeoHash

從基於Solr的地理位置搜索（2）文章中能夠看到徹底基於GeoHash的查詢過濾，將徹底遍歷整個docment文檔，從效率上來看並不太合適，因此結合笛卡爾層後，能有效縮減小過濾範圍，從性能上能很大程度的提升。

構建索引階段：

String geoHash = GeoHashUtils.encode(latitude, longitude);

      docment.addField(「geohash」, geoHash);

      //Cartesian Tiers

      int tier = START_TIER;//開始構建索引的層數

      //Create a bunch of tiers, each deeper level has more precision

//將一條記錄的經緯度對應所有笛卡爾層的tierBoxId做爲域值構建索引

      for (CartesianTierPlotter plotter : plotters) {

        docment.addField(「tier_」 + tier , plotter.getTierBoxId(latitude, longitude));

        tier++;

      }

看到這裏你們確定明白了。越相近的經緯度在同層確定會在同一個網格中，因此他們存儲的tierBoxId就會是同樣。那麼查詢的時候經過經緯度對應層的tierBoxId,也就能找到相同層域的docId，可是若是給定的的查詢範圍大，可能須要將若干層的所屬網格的docId都查到。

   整個查詢過程是先經過笛卡爾層將若干個網格涉及的DocList存入bitSet，以下代碼所示：

public DocIdSet getDocIdSet(final IndexReader reader) throws IOException {

    final FixedBitSet bits = new FixedBitSet(reader.maxDoc());

final TermDocs termDocs = reader.termDocs();

//須要查詢的若干層網格的boxIdList,固然至此已通過濾掉不須要查詢層的boxIdList

    final List<Double> area = shape.getArea();

    int sz = area.size();

    final Term term = new Term(fieldName);//

    // iterate through each boxid

    for (int i =0; i< sz; i++) {

      double boxId = area.get(i).doubleValue();

termDocs.seek(term.createTerm(NumericUtils.doubleToPrefixCoded(boxId)));

      // iterate through all documents

      // which have this boxId

//遍歷全部包含給定boxId的docList,並將其放入bitset

      while (termDocs.next()) {

        bits.set(termDocs.doc());

      }

    }

    return bits;

  }

介紹完笛卡爾層的計算後，接下來介紹笛卡爾層過濾後返還的bitset如何和geoHash結合，從實現上講其實很簡單，就是將經過笛卡爾層過濾的數據結果集合 依次遍歷計算其與查詢給定的經緯度座標的球面距離，同時將該計算距離和查詢指定範圍距離進行比較，若是大於給定距離，則將當前記錄繼續過濾掉，那麼最終剩下的數據結果集合，將是知足查詢條件的地理位置結果集合。具體實現流程見以下代碼：

//將笛卡爾層的Filter做爲Geohash的Filter參數傳遞進去，造成一個過濾鏈

 filter = distanceFilter = new GeoHashDistanceFilter(cartesianFilter, lat, lng, miles, geoHashFieldPrefix);

再看GeoHashDistanceFilter中最核心的方法getDocIdSet():

 public DocIdSet getDocIdSet(IndexReader reader) throws IOException {

      //在這裏使用到了Lucene的FieldCache來做爲緩存，實際上緩存了一個以docId爲下標，base32編碼爲值的數組

    final String[] geoHashValues = FieldCache.DEFAULT.getStrings(reader, geoHashField);

    final int docBase = nextDocBase;

    nextDocBase += reader.maxDoc();

    return new FilteredDocIdSet(startingFilter.getDocIdSet(reader)) {

      @Override

      public boolean match(int doc) {

        //經過笛卡爾層的過濾後的doc直接找到對應的base32編碼

        String geoHash = geoHashValues[doc];

        //經過解碼將base32還原成經緯度座標

        double[] coords = GeoHashUtils.decode(geoHash);

        double x = coords[0];

        double y = coords[1];

        Double cachedDistance = distanceLookupCache.get(geoHash);

        double d;

        if (cachedDistance != null) {

          d = cachedDistance.doubleValue();

        } else {

           //計算2個經緯度座標的距離

          d = DistanceUtils.getDistanceMi(lat, lng, x, y);

          distanceLookupCache.put(geoHash, d);

        }

       //小於給定查詢距離的的docid放入緩存,以供下次使用，同時返回True表明當前docId是知足條件的記錄

        if (d < distance){

          distances.put(doc+docBase, d);

          return true;

        } else {

          return false;

        }

      }

    };

  從上述分析中你們應該能夠想到 採用笛卡爾層 Filter結合GoHash Filter的實現方案，在計算規模上會比單獨使用GeoHash少了不少，而在查詢性能也會有更優異的表現。

最後附上一個本地Demo的查詢實例，用geofilter查找給定經緯度500km內的數據：

查詢返回結果：