Elasticsearch计算距离，根据距离排序，地理点和地理多边形范围查找-Toy模板网

这篇具有很好参考价值的文章主要介绍了Elasticsearch计算距离，根据距离排序，地理点和地理多边形范围查找。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Elasticsearch 计算距离，根据距离排序，地理点和地理多边形范围查找

总结

Elasticsearch 计算并返回距离一共有两种方法：sort 和 script_fields

环境概述

CentOS 7.6
Elasticsearch 7.10

创建索引

PUT /scenic_spot
{
  "mappings": {
    "properties": {
      "id": {
        "type": "keyword"
      },
      "name": {
        "type": "text"
      },
      "pin": {
        "properties": {
          "location": {
            "type": "geo_point"
          }
        }
      }
    }
  },
  "settings": {
    "number_of_replicas": 3,
    "number_of_shards": 3
  }
}

索引数据

PUT /scenic_spot/_doc/1
{
  "id": 1,
  "name": "恭王府景区",
  "pin": {
    "location": {
      "lat": 31.007925,
      "lon": 103.607572
    }
  }
}

PUT /scenic_spot/_doc/2
{
  "id": 2,
  "name": "故宫博物院",
  "pin": {
    "location": {
      "lat": 39.917248,
      "lon": 116.397176
    }
  }
}

PUT /scenic_spot/_doc/3
{
  "id": 3,
  "name": "天坛公园",
  "pin": {
    "location": {
      "lat": 39.881265,
      "lon": 116.410638
    }
  }
}

PUT /scenic_spot/_doc/4
{
  "id": 4,
  "name": "颐和园",
  "pin": {
    "location": {
      "lat": 39.991664,
      "lon": 116.271966
    }
  }
}

PUT /scenic_spot/_doc/5
{
  "id": 5,
  "name": "八达岭长城",
  "pin": {
    "location": {
      "lat": 40.361375,
      "lon": 116.019809
    }
  }
}

Sort 返回距离

GET /scenic_spot/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "_geo_distance": {
        "pin.location": {
          "lat": 38.912780578039346,
          "lon": 120.18819440815733
        },
        "order": "asc",
        "unit": "km"
      }
    }
  ],
  "size": 1
}

响应结果如下，hits 下的 sort 字段就是距离，单位：km。

{
  "took" : 4,
  "timed_out" : false,
  "_shards" : {
    "total" : 3,
    "successful" : 3,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : null,
    "hits" : [
      {
        "_index" : "scenic_spot",
        "_type" : "_doc",
        "_id" : "3",
        "_score" : null,
        "_source" : {
          "id" : 3,
          "name" : "天坛公园",
          "pin" : {
            "location" : {
              "lat" : 39.881265,
              "lon" : 116.410638
            }
          }
        },
        "sort" : [
          341.96155623680716
        ]
      }
    ]
  }
}

Script_fields 返回距离

GET /scenic_spot/_search
{
  "query": {
    "match_all": {}
  },
  "_source": true,
  "script_fields": {
    "distance": {
      "script": {
        "lang": "painless",
        "params": {
          "lat": 38.912780578039346,
          "lon": 120.18819440815733
        },
        "source": "doc['pin.location'].arcDistance(params.lat, params.lon)/1000"
      }
    }
  },
  "size": 1
}

5.x 以前支持：distanceInKm(lat, lon) 函数，后来被废弃。现在只支持 arcDistance(lat, lon) 函数：计算两点距离，单位为：m。响应结果如下，hits 下的 fields.distance 字段就是距离，单位：km。

{
  "took" : 3,
  "timed_out" : false,
  "_shards" : {
    "total" : 3,
    "successful" : 3,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 5,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "scenic_spot",
        "_type" : "_doc",
        "_id" : "5",
        "_score" : 1.0,
        "_source" : {
          "id" : 5,
          "name" : "八达岭长城",
          "pin" : {
            "location" : {
              "lat" : 40.361375,
              "lon" : 116.019809
            }
          }
        },
        "fields" : {
          "distance" : [
            391.55015001577397
          ]
        }
      }
    ]
  }
}

地理点和地理多边形范围查找

Elasticsearch](https://so.csdn.net/so/search?q=Elasticsearch&spm=1001.2101.3001.7020) 是一个功能强大的搜索引擎，支持地理查询，但并不是每个人都习惯于处理空间数据。如果你对地理处理了解不多，或者想通过 Elasticsearch 了解地理处理，那么本文适合你。在我们的现实生活中，我们经常使用的滴滴打车，美团送餐，美国的 Uber, Lyft 打车，还有一些交友 apps 等等，它们都是使用 Elasticsearch 进行位置搜索的例子。

地理距离查询返回距离点最大距离的所有文档，例如：Dolores 想认识距离她约 300 米的所有人：

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

红色圆圈的半径为 300 米，我们可以看到只有 William 在圆圈内。

让我们来做一下 Elasticsearch 的实现。首先，使用属性 name 和 location 创建一个 user_location 索引。

PUT user_location
{
  "mappings": {
    "properties": {
      "name": {
        "type": "text"
      },
      "location": {
        "type": "geo_point"
      }
    }
  }
}

location 的数据类型为 geo_point，表示地球上的位置。点具有经度和纬度（坐标）。你可以在官方文档中检查所有可接受的 geo_point 格式。

现在，让我们为 William，Robert 和 Bernard 的位置创建文档。我们使用 _bulk API 来导入数据：

POST user_location/_bulk
{ "index" : { "_id" : "1" } }
{ "name" : "William", "location": "-25.443053, -49.238396" }
{ "index" : { "_id" : "2" } }
{ "name" : "Robert", "location": "-25.440173, -49.243169" }
{ "index" : { "_id" : "3" } }
{ "name" : "Bernard", "location": "-25.440262, -49.247720" }

为了说明问题的方便，我特地创建一个新的索引叫做 locations，它包含了 Dolores 的位置信息：

PUT locations
{
  "mappings": {
    "properties": {
      "name": {
        "type": "text"
      },
      "location": {
        "type": "geo_point"
      }
    }
  }
}

POST locations/_bulk
{ "index" : { "_id" : "1" } }
{ "name" : "William", "location": "-25.443053, -49.238396" }
{ "index" : { "_id" : "2" } }
{ "name" : "Robert", "location": "-25.440173, -49.243169" }
{ "index" : { "_id" : "3" } }
{ "name" : "Bernard", "location": "-25.440262, -49.247720" }
{ "index" : { "_id" : "4" } }
{ "name" : "Dolores", "location": "-25.442987, -49.239504" }

在上面的 _id 为 4 的文档就是 Doloes 的位置信息。我们来创建一个叫做 locations 的索引模式：

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

我们打开 Maps 应用：

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

我们发现这四个位置位于南美的某个地方。我们编辑 location 层的设置，当我们点击该位置的时候，显示名字及 id。我们调整合适的 zoom 大小：

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

从上面的图中，我们很清楚地看到每个人的相对的位置。离 Dolores 最近的就是 Willam，也就是那个被盖着的那个，接着就是 Robert。最远的就是 Bernard。请注意，我们上面的展示都是以 locations 这个索引来进行展示的。它里面含有 Dolores。我们现在使用 user_location 索引来进行搜索：

GET user_location/_search
{
  "query": {
    "bool": {
      "filter": {
        "geo_distance": {
          "distance": "300m",
          "location": "-25.442987, -49.239504"
        }
      }
    }
  }
}

在上面，我们针对 Dolores 来进行搜索。显示的结果是：

{
  "took" : 55,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "user_location",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "name" : "William",
          "location" : "-25.443053, -49.238396"
        }
      }
    ]
  }
}

也就是说在 Dolores 方圆 300m 之内，只有 William。如果我们把半径增加到 600 m，那么我可以看到 Robert：

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

GET user_location/_search
{
  "query": {
    "bool": {
      "filter": {
        "geo_distance": {
          "distance": "600m",
          "location": "-25.442987, -49.239504"
        }
      }
    }
  }
}

{
  "took" : 2,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "user_location",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "name" : "William",
          "location" : "-25.443053, -49.238396"
        }
      },
      {
        "_index" : "user_location",
        "_type" : "_doc",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "name" : "Robert",
          "location" : "-25.440173, -49.243169"
        }
      }
    ]
  }
}

地理多边形查询可获取多边形内的文档。

“多边形是具有直边的封闭形状。矩形，三角形，六边形和八边形都是多边形的例子。”

它由点列表表示。两点之间最接近的路径是一条直线。多边形的起点和终点均相同。在下面的图上检查下面的植物园多边形。

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

请注意，Elasticsearch 上的地理查询会检查文档的 geo_point 属性是否在多边形内。例：Dolores 想知道植物园内的每个人。

elasticsearch 计算距离,elasticsearch,搜索引擎,大数据

GET user_location/_search
{
  "query": {
    "bool": {
      "filter": {
        "geo_polygon": {
          "location": {
            "points": [
              "-25.44373,-49.24248",
              "-25.44297,-49.24230",
              "-25.44177,-49.23642",
              "-25.43961,-49.23822",
              "-25.43991,-49.23781",
              "-25.44170,-49.23647",
              "-25.44210,-49.23586",
              "-25.44218,-49.23506",
              "-25.44358,-49.23491",
              "-25.44406,-49.24139",
              "-25.44373,-49.24248"
            ]
          }
        }
      }
    }
  }
}

上面的搜索返回的结果：文章来源地址https://www.toymoban.com/news/detail-705978.html

{
  "took" : 15,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "user_location",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "name" : "William",
          "location" : "-25.443053, -49.238396"
        }
      }
    ]
  }
}