前序
今天小宾和同学们分享的知识点是geohash，相信有许多同学或多或少的了解使用过该技术，接下来我会和大家一起深入其底层的实现原理和思想
先抛出小宾使用geohash的应用场景：我工作的主要方向是网约车治理相关，一句话概括为对司乘之间的纠纷订单进行判责及后续处理流程；某天，产品经理踱步慢慢走来：“小宾啊，我们现在有个业务需求，是要实现判定订单起点是否属于禁停区域，以此来对后续司机的异常行为做豁免策略”
小宾微微一笑，这能难倒英俊机智的我么～ 脑袋一转，已计上心来
首先，咱先分析下这个需求，产品会提供一批禁停区域的坐标点 以及 判定是否属于禁停范围的半径距离；实现逻辑是判断订单起点以该半径的圆圈范围内是否有禁停点；最简单粗暴的实现，存储所有禁停点位，每次遍历与订单遍历计算距离，再与半径比较，如小于指定半径，则返回起点禁停
这个方法效率非常低，不仅每个订单的判定都需要遍历所有的禁停点，而且会带来大量的距离计算
那该如何处理这种地理坐标的存储及距离判定逻辑呢，咱接着往下看
geohash的实现原理
核心思想：
geohash将二维的经纬度坐标转换成一位的编码字符串进行存储，且可以根据字符串之间的公共前缀判定其相隔距离(非完全精确)
地球的二维表示
将地球的侧面完全展开成一个矩形，长度为赤道周长，左右维度表示经度范围，上下维度表示纬度范围
格子分区
基于二维展开的地球，将经度一分为二，0°-180°W 和 0°-180°E，用二进制进行表示；左侧分区为0，右侧分区为1；同样纬度也一分为二，0°-90°N 和 0°-90°S，上侧分区为0，下侧分区为1；继续分别进行二分，每次分隔都用一位表示；则经纬度的二进制字符串表示如下：
合并生成格子
接下来，我们把经纬度的分区进行合并，这样交错的分区就会划分出一个个的格子；同时将其二进制字符串也进行合并，每个格子对应一个二进制字符串；经纬度二进制字符串合并方式：从高位开始，经度+纬度交错合并，最后组成一个一维的二进制字符串
聪明的同学已经发现了，当经纬度划分的越细，其二进制字符串的位数越多，合并后产生的格子也就越多，每个格子表示的面积也就越小；那么当两个格子的公共前缀越多，就代表着这他们相隔越近，例如0101、0111、0100、0110 都拥有着公共前缀 01；因此，他们都从属于由 01表示的这个大格子当中
由此，我们可以知道，
当格子的二进制字符串的公共前缀越长，两个格子相隔就越近
编码压缩
经过上述的操作后，我们已经将三维世界中的地理坐标，先建模成二维平面的表示；再根据二进制的表示方法，将其简化为一维的表示；但这仍然不够，因此继续采用编码将其进一步的压缩，geohash中采用的是base32的编码格式
每5bit为一组，将其表示的十进制值与base32进行映射，geohash的base32编码使用字符A-Z和数字2-7（或0-9），但不包括a、i、l、o等字母，以避免混淆。例如，二进制序列11100 11101 00100 01111 0000 01101对应的Base32编码为wx4g0e，映射关系如下：
geohash的局限性
边缘性问题
geohash中，二分的次数越多，其生成的格子就越小，表示精度就越高；然而，无论二分多少次，其都无法完全等同于坐标点，就类似于经典的芝诺悖论中的无穷二分
因此，geohash中表示的格子永远是存在误差的，只是理论上我们可以通过不断的切割提高其表示的精确度；其中，一个常见的误差场景就是格子的边缘性问题
如下图中，A、B、C三个点，其中A和B划分到一个格子中，C划分到其相邻的格子；点A和点B的geohash值完全相等，因此在geohash中，A和B会被认为更接近，因为他们有更长的公共前缀；而在现实中，A和C的距离才是更近的，这就是格子划分所带来的偏差
理论上我们可以通过继续二分，划分更小的格子，将AC划入一个格子中，但这个问题是永远存在的
三维到二维的畸变问题
在上述将地球三维转换成平面二维的展开时，聪明的小宾已经发现这种方式是存在误差的；越靠近南北极，误差越大，越靠近赤道，误差越小；最极端的情况，南极点和北极点被拉成了和赤道等长的线
小宾的个人理解，误差较小的建模是将地图展开为一个椭圆形的二维表示，但这种表示就无法在后续格子划分中做到均匀分割了；由此可以看出geohash的实现，是舍弃了一些精确性的；在一些geohash的实现中，也对这些误差进行补偿校准的逻辑
半径范围判断问题
回到文章最初，还记得产品经理给小宾提的那个需求么
需要实现半径圆圈范围的判断，而小宾该如何使用geohash进行实现呢；有些同学已经想到了，根据订单起点所属的格子，往外一圈一圈的扩展格子，就可以获取一定半径内所有的坐标点了
但这其中存在一个问题，如果我们想要完全获取的半径内的坐标点，其可能会覆盖更多的错误坐标，如下图所示：
因此，我们就需要做额外的判断，将扩展覆盖格子的所有坐标取出后，再分别与起点做一次距离计算，筛选出距离小于半径的坐标点进行返回
redis geohash
相信同学们和小宾一起探讨过geohash的实现原理后，对于这个需求已经可以快速搞定，然后愉快的进行摸鱼了
那么，在redis中已经原生的支持了geohash的结构了，我们可以通过其提供的命令快速的进行坐标点的添加、获取以及半径内坐标点查找的能力
- GEOADD：添加一个坐标到geohash中，
GEOADD key longitude latitude member
// key geohash的数据对象key
// longitude 经度
// latitude 纬度
// member 该点对应的名称
- GEOHASH：获取point的信息
GEOHASH key member
// key geohash的数据对象key
// member 该点对应的名称
- GEORADIUS：获取该点指定半径内的所有坐标点
GEORADIUS key longitude latitude radius m|km|ft|mi
// key geohash的数据对象key
// longitude 经度
// latitude 纬度
// radius 查询半径
// m|km|ft|mi 距离单位
redis中geohash数据的实际存储实现是基于zset，将坐标所属的格子geohash值转换成十进制值作为zset的score，用于跳表skiplist的索引构建，实现logN的查询效率
redis中的GEORADIUS命令实现逻辑，就是上述提到的判断流程，先扩展格子至完全覆盖该半径，再遍历格子中所有的坐标点，与传入的坐标进行距离判断，返回所有距离小于半径的坐标点
到此，小宾就和大家一起完成了对geohash底层实现原理的学习，后续小宾还会和大家分享更多的技术知识，为摸鱼的崇高理想奋斗(另，摸鱼不是工作不饱和，是高效工作的体现，hh)
