python实现r树存储地理位置_R树详解 - _yanghh - 博客园

$B$ 树的搜索本质上是一维区间的划分过程，每次搜索节点所找到的子节点其实就是一个子区间。$R$ 树是把 $B$ 树的思想扩展到了多维空间，

采用了 $B$ 树分割空间的思想，是一棵用来存储高维数据的平衡树。

对于一棵 $R$ 树，叶子节点所在层次称为 $Level \; 1$，根节点所在层次称为 $Level \; h$。一棵 $R$ 树满足如下性质：

1)除根结点之外，所有非根结点包含有 $m$ 至 $M$ 个记录索引(条目)。根结点的记录个数可以少于 $m$。通常 $m=\frac{M}{2}$。

2)每一个非叶子结点的分支数和该节点内的条目数相同，一个条目对应一个分支。所有叶子结点都位于同一层，因此 $R$ 树为平衡树。

3)叶子结点的每一个条目表示一个点。

4)非叶结点的每一个条目存放的数据结构为：$(I, child-pointer)$。$child-pointer$ 是指向该条目对应孩子结点的指针。$I$ 表示

一个 $n$ 维空间中的最小边界矩形($minimum \; bounding \; rectangle$，即 $MBR$)，$I$ 覆盖了该条目对应子树中所有的矩形或点。

两个黑点保存在一个叶子节点的两个条目中，恰好框住这两个条目的矩形表示为：$I=(I_0,I_1)$。其中 $I_0=(a,b),I_1=(c,d)$，也就

是说最小边界矩形是用各个维度的边来表示，在三维空间中那就是立方体，用 $3$ 条边就可以表示了。

下面构建一棵 $R$ 树。如下左图，理论上，点可以任意组合成叶节点，只要 $MBR$ 包含它子树中的所有点。特别是 $MBR$ 可以重叠。下面

右图是另一种组合建立的 $R$ 树。

   

哪种分组更好呢？一般分组的原则就是最小化每个 $MBR$ 矩形，这样查询的时候发生的相交情况会越少，查询的分支就越少，查询效率越高。

R-tree 查询

介绍查询之前，需要先了解下：如何判断两个线段或者两个矩形是否相交？

1. Range Query

这种查询输入的是一个矩形所表示的范围，要求输出该范围内的所有点。从根节点开始，通过判断目标矩形和节点内的每一个条目对应的

矩形是否相交来选择下一步查询的节点，如果有多个条目都相交，那对应的各个分支都得查。到达叶子节点后，就判断该叶子节点的每一

个条目是否在查询区域内即可。

现在想查询在矩形