[ElasticSearch] 空间搜索 （一）

依据索引文档的地理坐标来进行搜索。Elasticsearch 也可以处理这种搜索。——空间搜索

一、为空间搜索准备映射

PUT my_space_test
{
  "mappings": {
    "poi": {
      "properties": {
        "name": {
          "type": "string"
        },
        "locationpoint": {
          "type":"geo_point"  //随意的地理坐标
        },
        "locationshape": {
          "type": "geo_shape"  //随意的地理形状
        }
      }
    }
  }
}

二、批量加入数据

POST my_space_test/poi/_bulk
{"index":{"_id":1}}
{"name":"New York","locationpoint":"40.664167, -73.938611","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}
{"index":{"_id":2}}
{"name":"London","locationpoint":[-0.1275,51.5072222],"locationshape":{"type":"polygon","coordinates":[[[0,0],[4.87463,52.37254],[4.87875,52.36369],[0,0]]]}}
{"index":{"_id":3}}
{"name":"Moscow","locationpoint":{"lat":55.75,"lon":37.616667},"locationshape":{"type":"polygon","coordinates":[[[22,22],[4.87463,52.37254],[4.87875,52.36369],[22,22]]]}}
{"index":{"_id":4}}
{"name":"Sydney","locationpoint":"-33.859972, 151.211111","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}
{"index":{"_id":5}}
{"name":"Sydney","locationpoint":"eycs0p8ukc7v","locationshape":{"type":"polygon","coordinates":[[[4.8833,52.38617],[4.87463,52.37254],[4.87875,52.36369],[4.8833,52.38617]]]}}

细致观看locationpoint字段能够看到坐标能够使用多种形式来赋值，能够使用字符串、数组（仅仅能包括两个数值）、一个对象、地理散列值等来提供经纬度。

详细每种方式可能略有不同，详细使用再查相关资料。

再来看一下。locationshape,其形式就更加多样了，能够是一个点 ，即为一组数值对 [ 经度，维度 ] ，也能够是一个框 [ [左。上], [右，下] ]，还能够是多边形。可是必须保证第一个坐标和最后一个坐标是同样的，从而保证是一个闭合的图形。[ [ [1,1],[2,2], [3,4] ,[1,1] ] ] ,能够发现多边形的定义中其能够是多个多边形，是一个可扩展的数组。

三、查询方式

3.1 基于距离排序

GET my_space_test/poi/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "_geo_distance": {
        "locationpoint": {
          "lat": 48.8567,
          "lon": 2.3508
        },
        "unit": "km",
        "order": "asc"
      }
    }
  ]
}
GET my_space_test/poi/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
        "_geo_distance":<{
        "locationpoint": [       //或者是："locationpoint"：" 48.8567,2.3508"
          2.3508,
          48.8567
        ],
        "unit": "km",
        "order": "asc"
      }
    }
  ]
}

以上查询的结果是一样的（注意数组和字符串坐标的位置顺序是不同的）通过距离坐标点 [  2.3508,48.8567 ]的大小来对查询文档进行排序。这在实际搜索中很实用，能够返回临近的一些坐标点。

3.2 边界框过滤（获得包括在指定区域内文档）

"query": {
    "filtered": {
      "filter": {
        "bool": {
          "should": [
            {
             "geo_bounding_box": {
                "locationpoint": {
                  "top_left": "52.4796,-1.903",
                  "bottom_right": "48.8567,2.3508"
                }
              }
            },
            {
             "geo_distance":{
                "distance": 500,
                "distance_unit": "km",
                "locationpoint": "48.8567,2.3508"
              }
            }]}}}}

示意图 1

返回的文档就像是包括在矩形和圆形中的蓝色点，红色点用来确定边框，红色线段确定距离范围。在图形之外的点就被过滤掉了。以上都是针对类型为geo_point

以下我们来看一下geo_shape类型是怎样使用的？

"query": {
    "filtered": {
      "filter": {
        "bool": {
          "should": [
            {
              "geo_shape": {
                "locationshape": {
                  "indexed_shape": {             //使用已经索引的形状
                    "index": "my_space_test",
                    "type": "poi",
                    "id": "4",
                    "path": "locationshape"
                  },
                  "relation": "within"
                }
              }
            },
            {
              "geo_shape": {
                "locationshape": {          //自己定义形状——圆
                  "shape": {
                    "type": "circle",   
                    "radius": "1km",
                    "coordinates": [
                      -45,
                      45
                    ]
                  },
                  "relation": "within"
                }
              }
            },{
              "geo_shape": {
                "locationshape": {
                  "shape": {
                    "type": "envelope",     //自己定义的形状包络线，即：box（矩形）
                    "coordinates": [
                      [
                        -45,
                        45
                      ],
                      [
                        45,
                        -45
                      ]
                    ]
                  },
                  "relation": "within"
                }
              }
            },{
              "geo_shape": {
                "locationshape": {       //自己定义的多边形。一定要注意，多边形的定义是包括在一个数组中的，是一个可扩展的数组
                  "shape": {
                    "type": "polygon",
                    "coordinates": [[[1,1],[2,3],[4,2],[1,1]]]
                  },
                  "relation": "within"
                }
              }
            }
          ]
        }
      }
    }
  }

首先来说，过滤查询的字段locationshap 中包括多种形状类型。有点、包络线、多边形、甚至说多个多边形

以上的查询是看那些形状位于所查询的形状之内。

我们再来个示意图吧，这样好理解一些。

示意图2

比方说，我们能够定义一个中国的多边形。然后查找那些城市是位于中国的。这些城市也能够是多边形，当然也能够用一个点来定义，通过这种过滤方式都能够准确的找到。

怎么样？ES是不是非常炫？革命尚未成功，同志仍需努力！坚持你才干看到最美的风景，即便一路上会有荆棘。接下来看看。空间搜索相应的高亮和聚合。待续……