MongoDB的地理位置查询，以及和mysql的使用对比

MongoDB的一个特色就是具有丰富的查询接口，比如地理位置查询。

　　在地理位置查询上，MongoDB有着比传统关系型数据库的优势，下面举个例子。

　　当前移动互联网应用，按用户离目标门店距离排序上的场景很多。

　　比如：

　　一张门店表shop_list，表结构字段包括shop_id，shop_name，lng，lat （门店id，门店名称，以及门店的经纬度等）。

　　现收集到当前用户的所处位置的经纬度是，经度116.30759，纬度40.05748。获取距离用户1000m以内的100家门店，按照距离从近到远排序。

　MySql的查询语句如下：

SELECT shop_id,shop_name,lng,lat, ROUND(6378.138*2*ASIN(SQRT(POW(SIN((40.05748*PI()/180-lat*PI()/180)/2),2)+COS(40.05748*PI()/180)*COS(lat*PI()/180)*POW(SIN((116.30759*PI()/180-lng*PI()/180)/2),2)))*1000) AS distance
FROM shop_list
HAVING distance < 1000
ORDER BY distance LIMIT 100;

　　一个这样的计算方法，显然mysql性能比较差。

下面的这个计算方法更快一些，效果和上面的几乎差不多，只是距离distance并不真实。如果只想按照距离排序查出结果是没问题的。

SELECT
    shop_id ,
    shop_name ,
    lng ,
    lat ,
    POWER(lat - 40.05748 , 2) + POWER(lng - 116.30759 , 2) * POWER(COS((lat + 40.05748) / 2) , 2) AS distance
FROM
    shop_list
HAVING
    distance < 1000
ORDER BY
    distance
LIMIT 100;

　　换做MongoDB会如何呢？

　　首先，要明确MongoDB在使用距离查询时，存储的经纬度结构要类似这样才可以：

'point' : [
    116.299,
    40.053
]


或者：

'point' : {
    'lng' : 116.299,
    'lat' : 40.053
}

　　然后给经纬度的point做一个2dSphere索引。具体参考官方文档：　

db.shop_list.createIndex({"point":"2dsphere"})

第三个用法可以得出距离值：

#这个点的附近
db.shop_list.find({'point':{$nearSphere: [116.30759, 40.05748]}}) 

#这个点的附近1000米
db.shop_list.find({point: { $geoWithin: { $centerSphere: [ [ 116.30759, 40.05748 ], 1000/6378137 ] } } }) 

#这个点的附近1000米的10个门店，并且有距离计算值
db.runCommand({ geoNear : "shop_list" , near : [ 116.30759, 40.05748], num : 10 , spherical:true, distanceMultiplier: 6378137, maxDistance:1000/6378137})