距离的计算及分页排序

     作为一个基于LBS的O2O电商平台，要给用户提供 周边的精准的商品和商家的定位及排序。距离的计算和排序问题就摆在我们面前。

我们目前Web获取用户的坐标地址来源有两个：

1) IP地址，通过ip及查询ip地址库获取用户的 坐标信息，缺点是不太准确，一般到市、县，大家还记得那年的 珊瑚虫 QQ吗，同那个原理一样。这个作为我们的默认坐标地址。

2) 用户提供，通过web网站的地图页搜索选取自己的坐标地址，和饿了吗  一样。我们选择的地图服务商为百度地图。

有了用户和商家的坐标地址就可以计算距离。其实就是计算球面上两个点的曲线距离

计算公式为：

R = 地球半径
Δlat = lat2− lat1;

Δlong = long2− long1

a = sin²(Δlat/2) + cos(lat1) * cos(lat2) * sin²(Δlong/2)

c = 2*atan2(√a, √(1−a));

d = R*c

mysql计算表达式：3956 * 2 * ASIN ( SQRT (
POWER(SIN((orig.lat - dest.lat)*pi()/180 / 2), 2)   
+  COS(orig.lat * pi()/180) * COS(dest.lat * pi()/180) *  POWER(SIN((orig.lon - dest.lon) * pi()/180 / 2), 2)  ) )

（这里面的3956 单位是英里，公里为6378）

看到计算公式是不是很复杂 很头疼，我也是 我忽然想起老祖宗的勾股定理，看看能不能把这一坨公式简化一下。

我们做的是 身边O2O 社区电商型，距离都不会太远，所以可以看作是平面上的两个点的距离计算。

ROUND(SQRT( POWER(85.39*(store_lng-".$lng."),2)+POWER(111.13*(store_lat-".$lat."),2) ),3)

这样只能减少计算距离的计算量，当商户信息较多时，排序压力还是很大。此时 我们还要再减小搜索范围，

减小搜索范围到 周围3km的正方形中。

$max_lng = $lng + $km/85.39;
$min_lng = $lng - $km/85.39;
$max_lat = $lat + $km/111.13;
$min_lat = $lat - $km/111.13;

select
 ROUND(SQRT( POWER(85.39*(store.store_lng-".$lng."),2)+POWER(111.13*(store.store_lat-".$lat."),2) ),3) AS juli
 from store
 where (store.store_lng BETWEEN  ".$min_lng." AND ".$max_lng." ) AND ( store.store_lat BETWEEN ".$min_lat." AND ".$max_lat.")

另外在数据表中的 lng和lat 字段加联合索引 。 这样就解决了查询 效率问题。

看来 问题解决的差不多了，做个压测吧。

我勒个去   压力一大  好慢呀。

排查原因： （1）由于每人的坐标不同，导致每次执行的sql语句不同，sql无法做缓存。

               （2）由于（1）的原因 ，服务器也不能缓存数据，每次都是新的请求，每次都要查库。

看来非要出杀手锏了，GeoHash 登场了。（本来想在二期再加）

       原理： 首先将纬度范围(-90, 90)平分成两个区间(-90,0)、(0, 90)，如果目标纬度位于前一个区间，则编码为0，否则编码为1。由于39.92324属于(0, 90)，所以取编码为1。然后再将(0, 90)分成 (0, 45), (45, 90)两个区间，而39.92324位于(0, 45)，所以编码为0。以此类推，直到精度符合要求为止。经度也用同样的算法，对(-180, 180)依次细分，得到116.3906的编码。接下来将经度和纬度的编码合并，奇数位是纬度，偶数位是经度，得到编码 11100 11101 00100 01111 00000 01101 01011 00001。最后，用0-9、b-z（去掉a, i, l, o）这32个字母进行base32编码。

由于geohash 的有边缘偏差，所以准确度要求高的话，可以加查附件8个区块的信息。

$geoHash_Arr=GeoHash::around($lng,$lat,$km);

$where="  ((geohash LIKE '{$geoHash_Arr[0]}%')  OR (geohash LIKE '{$geoHash_Arr[1]}%') "
        ." OR (geohash LIKE '{$geoHash_Arr[2]}%') OR (geohash LIKE '{$geoHash_Arr[3]}%')"
        ." OR (geohash LIKE '{$geoHash_Arr[4]}%') OR (geohash LIKE '{$geoHash_Arr[5]}%')"
        ." OR (geohash LIKE '{$geoHash_Arr[6]}%') OR (geohash LIKE '{$geoHash_Arr[7]}%')"
        ." OR (geohash LIKE '{$geoHash_Arr[8]}%') )";

public static function around($lng,$lat,$km=3)
    {
        $n=5;
         if($km>7.5)
        {
            $n=3;
        }
        else if($km>3)
        {
            $n=4;
        }
        else if($km>1)
        {
            $n=5;
        }
        else
        {
            $n=6;
        }
        $hash=self::encode($lng, $lat, $n);
        $ret=self::expand($hash);
        array_push($ret,$hash);
        return $ret;
    }

/*
     * *  获取扩展的hash区块
     * return array
     */
    public static function expand($hash)
    {
        list($minlng, $maxlng, $minlat, $maxlat) = self::decode($hash);
        $n=strlen($hash);
        $dlng = ($maxlng - $minlng) / 2;
        $dlat = ($maxlat - $minlat) / 2;
        return array(
            self::encode($minlng - $dlng, $maxlat + $dlat,$n),
            self::encode($minlng + $dlng, $maxlat + $dlat,$n),
            self::encode($maxlng + $dlng, $maxlat + $dlat,$n),
            self::encode($minlng - $dlng, $maxlat - $dlat,$n),
            self::encode($maxlng + $dlng, $maxlat - $dlat,$n),
            self::encode($minlng - $dlng, $minlat - $dlat,$n),
            self::encode($minlng + $dlng, $minlat - $dlat,$n),
            self::encode($maxlng + $dlng, $minlat - $dlat,$n),
        );
    }

　　这样就解决了 并发下 数据库查询压力大的问题。距离的排序也由数据库 改为了web服务器。

再优化的话，可以 在数据库 加冗余字段，比如geohash4，geohash5，geohash6 分别代表 4位的hash值，5位的hash值，6位的hash值。