Elasticsearch 地理空间计算

 地理位1置搜索:使用查询API进行搜索

1、Geo Distance Query
Geo Distance Query是在给定的距离范围内搜索数据的查询。例如,可以搜索给定地理位置附近指定距离内的所有文档。

GET /my_index/_search
{
    "query": {
        "bool" : {
            "filter" : {
                "geo_distance" : {
                    "distance" : "5km",
                    "location" : {
                        "lat" : 40,
                        "lon" : -70
                    }
                }
            }
        }
    }
}

2、 Geo Bounding Box Query

Geo Bounding Box Query是一种以四边形形式搜索地理坐标数据的查询。它可以定义顶点坐标来定义一个范围,在该范围内返回所有文档。 一句话,查询在一个框内的文档。

GET /my_index/_search
{
    "query": {
        "bool" : {
            "filter" : {
                "geo_bounding_box" : {
                    "location" : {
                        "top_left" : {
                            "lat" : 40.73,
                            "lon" : -74.1
                        },
                        "bottom_right" : {
                            "lat" : 40.01,
                            "lon" : -71.12
                        }
                    }
                }
            }
        }
    }
}

通过经纬度计算距离:

java计算两个经纬度之间的距离_java经纬度计算距离_谱写的博客-CSDN博客

java 经纬度距离计算_java经纬度距离计算公式_Yweir的博客-CSDN博客 (最好)

收集到的好文章

Elasticsearch Geo:以地理位置为中心的搜索与分析_笔记大全_设计学院

Elasticsearch 在地理信息空间索引的探索和演进 - 知乎

https://www.cnblogs.com/lijunhao/p/5341297.html

https://www.cnblogs.com/softfair/p/lat_lon_distance_bearing_new_lat_lon.html

最好的空间查询例子

Elasticsearch:使用 Elasticsearch 进行地理位置搜索 - 知乎

Elasticsearch 基于地理位置的搜索查询_es地理位置查询_潇潇雨歇_的博客-CSDN博客

Elasticsearch 核心技术(十):GEO 地理查询(geo_bounding_box、geo_distance、geo_shape)

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Elasticsearch是一个基于Lucene的分布式搜索和分析引擎,它提供了丰富的搜索、聚合和数据分析功能。而在Elasticsearch中,向量空间模型可以用于处理文本相关性和相似度的计算。 向量空间模型将文本表示为数值向量,其中每个维度代表一个特征或属性。在Elasticsearch中,可以使用诸如Term Frequency-Inverse Document Frequency(TF-IDF)等技术将文本转换为向量表示。 通过将文本转换为向量表示,Elasticsearch可以计算文档之间的相似度,从而实现相关性搜索和推荐系统。常见的方法是使用余弦相似度来衡量两个向量之间的相似程度。 要在Elasticsearch中使用向量空间模型,通常需要进行以下步骤: 1. 创建索引:将文档数据存储在Elasticsearch索引中。 2. 分析器:使用适当的分析器对文本进行预处理,例如分词、停用词过滤等。 3. 向量化:使用合适的技术将文本转换为向量表示,如TF-IDF、Word2Vec等。 4. 存储:将向量表示存储为Elasticsearch索引的字段。 5. 查询:使用查询语句和相似度算法(如余弦相似度)进行相关性搜索。 需要注意的是,向量空间模型在处理大规模文本数据时可能面临计算和存储的挑战。因此,对于大型数据集,可以考虑使用分布式计算和存储方案来提高性能和扩展性。 希望这个回答对你有帮助!如果你还有其他问题,请随时提问。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值