geohash: 一个实用的geocoding方法

这年头和 location 相关的应用越来越火。从 foursquare 的热闹程度就可见一般（什么，没听过 foursquare…. 哥们，你 out 了）。和 location 有关的应用一般都包括一些共同的操作，最常见的一个，就是找附近的东东（餐馆，商店 …. ）。

所以，这里就抛出了一个问题，怎样才能知道两个物体离得近呢？

我之前转过一篇 blog ，是关于 用 cellid进行定位的 ，当然，这种方法是在不得已的情况下才使用，比如得不到 gps 。这里，我们假设可以拿到两个物体的 gps 数据，所以一个最直观的办法，计算两个 gps 点的直线距离。当然，这个计算不精确，不要忘了，地球是圆的，所以两个 gps 点之间的距离应该是一个弧线。上网搜一下，应该能找到一个复杂的公式，专门用来计算这个弧长。

对于两个点来说，上述的方法就够用了。当如果有很多个点呢，难道要我计算两两之间的距离么？

这个问题属于 spatial data indexing&management 的范畴，有很多关于 database 或者 GIS 的书都会讲到一些解决的算法和特殊的数据结构。我在这只介绍一个简单的方法，叫做 geohash 。

geohash 其实是对 gps 数据进行了编码，使得上述问题更容易得到解决。（关于 geohash 的详细论述可以看 wiki ，介绍得很全面）

假设我们有一个 gps 数据，为 <42.6, -5.6> ，首先 (1) 我们会将经纬度分别编码成一个 binarycode ，比如纬度 42.6 被编码成“ 101111001001 ”，经度 -5.6 被翻译成“ 0111110000000 ”，然后 (2) 将两个 binarycode 连起来，经度的 binarycode 作为奇数位，纬度的 binarycode 作为偶数位，就变成了“ 01101 11111 11000 00100 00010 ”，最后，将这个 binarycode 转化为一个 32 进制的字符串，变成“ ezs42 ”。

需要说一下经纬度转化成 binarycode 的算法。举例来说，比如纬度的范围是 +90 ~ -90 ，我们将这个分为两个区间，分别是 (-90, 0) 和 (0,90) ，如果 gps 的 x( 纬度 ) 落在了第一个区间，那么它的第一位 binarycode 就是 0 ，如果落在第二个区间，那么它的第一位 binarycode 就是 1 ，显然 42.6 是在第二个区间，所以它的第一位 binarycode 是 1 ，然后再对 (0,90) 这个区间做二分，再计算下一步的 binarycode….

编码方式说完了，说说 geohash 的好处。当两个 gps 数据对应的 geohash 数据有一定长度的前缀是相同的，表示这两个数据在一定程度上距离接近，相同的前缀越长，那么两个点越离得近。（ nearby places will often (but not always) present similar prefixes. ）

注意，需要提及的是，两个 geohash 有相同前缀，表示这两个点离得近，但是！两个点离得近，不一定 geohash 有相同的前缀。 geohash 在这里存在一个缺陷，就是所谓的 edge case 。详情见 wiki 。

再往深入琢磨一下， geohash 的本质是什么。其实它就是对一个二维平面进行了一个索引，首先对这个平面竖着切一刀，刀的左边标记为 0 ，刀的右边标记为 1 ，然后再横着切一刀，并且继续标记，然后再竖着切 …. 有很多 spatial data indexing 的方法都是这样的思路，它的作用就是把平面的这种二维数据改造成一维的数据。而一维数据有个好处，就是可以做 sorting 。

到此，我们还没有回答之前提的问题，如果有很多点，该怎样从其中找出附近的点呢？答案貌似已经呼之欲出，俺就不多说了。

 

Reference ：

http://en.wikipedia.org/wiki/Geohash

http://geohash.org/