参考：

https://hogwartsrico.github.io/2015/01/22/About-GeoHash/

Geohash原理 - 简书 (jianshu.com)

GeoHash本质上，它是一种空间索引的方式。其基本原理是将地球理解为一个二维平面，将平面递归并分解成较小的子块。每个子块在一定的经纬度范围内具有相同的代码。GeoHash建立空间索引的方式可以改善空间poi经纬度检索数据的效率。

GeoHash将二维经纬度转换为字符串，如下图所示GeoHash字符串，分别是WX4ER，WX4G2、WX4G等等，每个字符串代表一个矩形区域。换句话说，矩形区域中的所有点（经纬度坐标）共享相同的点GeoHash字符串，既能保护隐私(只表示一般区域位置而不是具体点)，又能轻松缓存。

Geohash在编码中，字符串相似的表示距离相似（特殊情况后解释），使用字符串的前缀匹配查询附近POI信息。如下图所示，一个在城市，一个在郊区，一个在城市GeoHash字符串相似，郊区字符串相似，城市和郊区字符串相似GeoHash字符串的相似性较低。另外，编码长度不同，字符串越长，范围越准确。

(116.389550， 39.算法说明928167)，纬度39.928167进行逼近编码 (地球纬度区间为[-90，90]

a. 区间[-90，90]分为[-90，0)，[0，90]，称为左右区间，可确定39.928167属于右区间[0，90]

b. 然后将区间[0，90]分成两部分 39.928167属于左区间 [0，45)，给标0

c. 上述过程39.928167总是属于某个区间[a,b]。每次迭代间隔[a,b]总是缩小，越来越接近39.928167

d. 若给定纬度x（39.928167)如果属于左区间，则记录0。如果属于右区间，则记录1。序列长度与给定的区间划分次数有关，如下图所示

e. 同样，地球的经度范围是[-180，180].编码38950。通过上述计算， 经度产生的编码为1 1 0 1 0 0 1 0 1 1 0 0 0 1 0，纬度产生的编码为1 0 1 1 1 0 0 0 1 1 0 0 0 1 1

f. 合并：偶数位放经度(0、2、4、6、8)，奇数位放纬度(1、3、5、7、9)，将2串编码组合成新串（先放经度，后放纬度）

g. 首先将11100 11101 00100 01111 0000 01101转成十进制，对应28、29、4、15、0 十进制对应base32编码就是wx4g0e,如下图.

Base32编码:

首先，将二进制串分成五位一组，不到五位补0。

然后将每组5位二进制串成十进制(5bits对应10进制的值为0-31)。

用0-9、b-z（去掉a、i、l、o）这32个字母Base32编码，即将下标转换为字符串。

h. 同样，将编码转换为经纬度的解码算法也是如此。

Geohash事实上，它是划分整个地图或分割区域，因为它是使用的base32编码方法，即Geohash每个字母或数字(如wx4g0e中的w）都是由5bits组成（2^5 = 32，base32），这5bits32中可以有不同的组合(0~31），通过这种方式，我们可以将整个地图区域分为32个区域，通过00000 ~ 11111来识别这32个区域。第一次划分地图的情况如下图所示(每个区域的编号对应该区域对应的编码)。

Geohash的0、1串序列是经度0、1序列和纬度0、1序列中的数字交替进行排列的，偶数位对应的序列为经度序列，奇数位对应的序列为纬度序列，在进行第一次划分时，Geohash0、1序列中的前五个bits(11100)bits中有3bits表示月经，2bits表示纬度，所以第一次划分，将经度分为8段(2)^3 = 将纬度分为4个区段(2)^2 = 这样就形成了32个区域。如下图

同样，第一次划分的32个区域也可以按照第一次划分的方式重新划分。

上文讲了GeoHash计算步骤只解释是什么，而不解释为什么？为什么要分别编码经度和维度？为什么需要将经纬度的两串代码交叉组合成一串代码？本节试图回答这个问题。

Geohash 它的优点是显而易见的。 Z 编码阶曲线 Z 阶曲线可以将二维或多维空间中的所有点转换为一维曲线。成为数学上的分形维。 Z 阶曲线也具有局部保序性。

Z 阶曲线通过交织点坐标值的二进制表示，简单计算多维度点的z值。任何一维数据结构，如二叉搜索树，构，如二叉搜索树，B哈希表，树，跳跃表或(低有效位被切断) 都可以用来处理数据。通过 Z 阶曲线获得的顺序可以等同于四叉树的深度优先级。

这也是 Geohash 另一个优点是搜索相邻点更快。

Geohash 缺点之一也来自 Z 阶曲线。

Z 阶曲线有一个严重的问题。虽然有局部保序性，但也有突变性。在每一个 Z 顺序突变可能发生在字母的拐角处。

Geohash 另一个缺点是，如果选择不合适的网格尺寸，判断相邻点可能会更麻烦。

a. 由于GeoHash是将区域划分为一个个规则矩形，并对每个矩形进行编码，这样在查询附近POI信息会导致以下问题，如红点是我们的位置，绿点是附近的两家餐厅，但在查询时会发现餐厅很远GeoHash编码和我们一样(因为在同一个GeoHash区域块上），靠近餐馆GeoHash编码与我们不一致。这个问题通常发生在边界。

解决办法很简单，我们查询时，除使用定位点外GeoHash除了匹配编码外，还使用周围8个区域GeoHash编码，这可以避免这个问题。

b. 我们已经知道现有的GeoHash使用算法Peano空间填充曲线，产生突变，导致编码相似但距离可能大不相同的问题。因此，在查询附近的餐厅时，首先筛选GeoHash编码相似的POI然后计算实际距离。

c. GeoHash Base32编码长度和精度。geohash base32编码长度为8时，精度约19米，编码长度为9时，精度约2米，编码长度需根据数据选择。

理解了geohash算法的基本原理之后，本节将介绍一个实际应用中常见的场景：计算围栏范围内所有的Geohash编码。场景包装函数如下：输入围栏的点经纬度坐标集合和指定geohash长度，输出一组geohash编码。

public static Set getHashByFence(List points, int length)

具体算法步骤如下：/p>

1. 输入围栏点坐标集合List points和指定的geohash长度length

2. 计算围栏的外包矩形的左上角和右下角坐标lat_min、lat_max、lng_min、lng_max

3. 根据lat_min、lat_max、lng_min、lng_max，计算外包矩形对角定点的距离d

4. 以外包矩形中心点为圆心，以d/2为半径做一个圆，计算圆覆盖范围内的geohash

4.1 获取圆的外包矩形左上角和右下角定点坐标经纬度，存储到double[] locs

4.2 根据geohash字符长度计算该长度geohash编码对应的经纬度间隔（latA,lngA）

4.3 根据latA和lngA，计算出locs组成的矩形的左上角和右下角定点的经纬度，在geohash划分的网格的索引(也就是第几个),分别记为lat_min，lat_max，lng_min，lng_max

4.4 计算lat_min，lat_max，lng_min，lng_max对应范围内左右geohash的二进制编码，然后将经纬度二进制编码uncode为geohash字符编码，保存为Set sets

5. 剔除sets中geohash编码对应矩形的中心点不在points围栏范围内的geohash，得到最终的geohash结果集

reids 在3.2版本以后增加了地理位置Geo模块

GeoHash 算法会继续对这个整数做一次base32编码(09,az,去掉a、i、l、o四个字母)变成一个字符串。在Redis里面，经纬度使用52位的整数进行编码，放进了zset里面，zset的value是元素的key，score是GeoHash的52位整数值。zset的score虽然是浮点数，但是对于52位的整数值，它可以无损存储。

double类型精度为52位；
geohash是以base32(5位一个编码)的方式编码，52bits最高可存储10位geohash值，对应地理区域大小为0.6*0.6米的格子。换句话说经Redis geo转换过的位置理论上会有约0.3 *1.414=0.424米的误差。
【来源：https://python.iitter.com/other/12028.html】

Redis的double类型：

​ Redis的分数类型采用的是double，64位双精度浮点数只有52位有效数字，它能精确表达的整数范围为-253到253，最高只能表示16位十进制整数（最大值为9007199254740992，其实连16位也不能完整表示）。

数据类型的范围与精度：

1）范围

float和double的范围是由指数的位数来决定的。
float的指数位有8位，而double的指数位有11位，分布如下：

• float：（32位，4字节）
  1bit（符号位） 8bits（指数位） 23bits（尾数位）

• double：（64位，8字节）
  1bit（符号位） 11bits（指数位） 52bits（尾数位）

  于是，float的指数范围为-127—+128，而double的指数范围为-1023----+1024，并且指数位是按补码的形式来划分的。
  其中负指数决定了浮点数所能表达的绝对值最小的非零数；而正指数决定了浮点数所能表达的绝对值最大的数，也即决定了浮点数的取值范围。
  float的范围为-2^128 ~ +2^128，也即-3.40E+38 ~ +3.40E+38；double的范围为-2^1024 ~ +2^1024，也即-1.79E+308 ~ +1.79E+308。

2）精度

float和double的精度是由尾数的位数来决定的。浮点数在内存中是按科学计数法来存储的，其整数部分始终是一个隐含着的“1”，由于它是不变的，故不能对精度造成影响。
float：2^23 = 8388608，一共七位，这意味着最多能有7位有效数字，但绝对能保证的为6位，也即float的精度为6~7位有效数字；
double：2^52 = 4503599627370496，一共16位，同理，double的精度为15~16位。

问题

我们常见的需求是查找 n米 范围内的点，那么 n米 与 GeoHash 码位数之间的映射如何实现呢？由于 GeoHash 码是由5位二进制码组成，每少一位，精度就会损失 2e(5/2)。

方法当然有的，我们将二进制GeoHash码直接索引就可以，但很长的索引长度会导致 B树 索引查询效率会迅速下降。

方案

于是我们接着寻找解决方案，既然使用 base32 转换为 32进制码 会不好控制精度，保持二进制又导致索引长度过长，那么进制位数和索引长度有没有一个平衡呢？

另外 Redis 的 sorted set 支持 64位 的 double 类型的 score，我们把二进制的 GeoHash 码转为十进制放入 Redis 的 sorted set 中，不是可以实现 log(n)的查询效率了么。

Redis 提供的 Geo 指令只有 6 个，读者们瞬间就可以掌握。使用时，读者务必再次想起，它只是一个普通的 zset 结构。

geoadd      用来增加地理位置的坐标，可以批量添加地理位置 
geodist     用来获取两个地理位置的距离
geopos      可以获取地理位置的坐标，可以批量获取多个地理位置的坐标
geohash     可以获取元素的经纬度编码字符串
georadius   可以根据给定地理位置坐标获取指定范围内的地理位置集合
georadiusbymember  可以根据给定地理位置获取指定范围内的地理位置集合

geoadd 指令携带集合名称以及多个经纬度名称三元组，注意这里可以加入多个三元组

127.0.0.1:6379> geoadd company 116.48105 39.996794 juejin
(integer) 1
127.0.0.1:6379> geoadd company 116.514203 39.905409 ireader
(integer) 1
127.0.0.1:6379> geoadd company 116.489033 40.007669 meituan
(integer) 1
127.0.0.1:6379> geoadd company 116.562108 39.787602 jd 116.334255 40.027400 xiaomi
(integer) 2

geodist 指令可以用来计算两个元素之间的距离，携带集合名称、2 个名称和距离单位。

127.0.0.1:6379> geodist company juejin ireader km
"10.5501"
127.0.0.1:6379> geodist company juejin meituan km
"1.3878"
127.0.0.1:6379> geodist company juejin jd km
"24.2739"
127.0.0.1:6379> geodist company juejin xiaomi km
"12.9606"
127.0.0.1:6379> geodist company juejin juejin km
"0.0000"

我们可以看到掘金离美团最近，因为它们都在望京。距离单位可以是 m、km、ml、ft，分别代表米、千米、英里和尺。

geopos 指令可以获取集合中任意元素的经纬度坐标，可以一次获取多个。

127.0.0.1:6379> geopos company juejin
1) 1) "116.48104995489120483"
 2) "39.99679348858259686"
127.0.0.1:6379> geopos company ireader
1) 1) "116.5142020583152771"
 2) "39.90540918662494363"
127.0.0.1:6379> geopos company juejin ireader
1) 1) "116.48104995489120483"
 2) "39.99679348858259686"
2) 1) "116.5142020583152771"
 2) "39.90540918662494363"

我们观察到获取的经纬度坐标和 geoadd 进去的坐标有轻微的误差，原因是 geohash 对二维坐标进行的一维映射是有损的，通过映射再还原回来的值会出现较小的差别。对于「附近的人」这种功能来说，这点误差根本不是事。

geohash 可以获取元素的经纬度编码字符串，上面已经提到，它是 base32 编码。 你可以使用这个编码值去 http://geohash.org/${hash}中进行直接定位，它是 geohash 的标准编码值。

127.0.0.1:6379> geohash company ireader
1) "wx4g52e1ce0"
127.0.0.1:6379> geohash company juejin
1) "wx4gd94yjn0"

georadiusbymember 指令是最为关键的指令，它可以用来查询指定元素附近的其它元
素，它的参数非常复杂。

# 范围 20 公里以内最多 3 个元素按距离正排，它不会排除自身
127.0.0.1:6379> georadiusbymember company ireader 20 km count 3 asc
1) "ireader"
2) "juejin"
3) "meituan"
# 范围 20 公里以内最多 3 个元素按距离倒排
127.0.0.1:6379> georadiusbymember company ireader 20 km count 3 desc
1) "jd"
2) "meituan"
3) "juejin"
# 三个可选参数 withcoord withdist withhash 用来携带附加参数
# withdist 很有用，它可以用来显示距离
127.0.0.1:6379> georadiusbymember company ireader 20 km withcoord withdist withhash count 3 asc
1) 1) "ireader"
 2) "0.0000"
 3) (integer) 4069886008361398
 4) 1) "116.5142020583152771"
 2) "39.90540918662494363"
2) 1) "juejin"
 2) "10.5501"
 3) (integer) 4069887154388167
 4) 1) "116.48104995489120483"
 2) "39.99679348858259686"
3) 1) "meituan"
 2) "11.5748"
 3) (integer) 4069887179083478
 4) 1) "116.48903220891952515"
 2) "40.00766997707732031"

除了 georadiusbymember 指令根据元素查询附近的元素，Redis 还提供了根据坐标值来查询附近的元素，这个指令更加有用，它可以根据用户的定位来计算「附近的车」，「附近的餐馆」等。它的参数和 georadiusbymember 基本一致，除了将目标元素改成经纬度坐标值。

127.0.0.1:6379> georadius company 116.514202 39.905409 20 km withdist count 3 asc
1) 1) "ireader"
 2) "0.0000"
2) 1) "juejin"
 2) "10.5501"
3) 1) "meituan"
 2) "11.5748"

在一个地图应用中，车的数据、餐馆的数据、人的数据可能会有百万千万条，如果使用Redis 的 Geo 数据结构，它们将全部放在一个 zset 集合中。在 Redis 的集群环境中，集合可能会从一个节点迁移到另一个节点，如果单个 key 的数据过大，会对集群的迁移工作造成较大的影响，在集群环境中单个 key 对应的数据量不宜超过 1M，否则会导致集群迁移出现卡顿现象，影响线上服务的正常运行。

所以，这里建议 Geo 的数据使用单独的 Redis 实例部署，不使用集群环境。

如果数据量过亿甚至更大，就需要对 Geo 数据进行拆分，按国家拆分、按省拆分，按市拆分，在人口特大城市甚至可以按区拆分。这样就可以显著降低单个 zset 集合的大小。

#redis.Redis.******

pool = redis.ConnectionPool(host='10.3.*.*', port=6379,password='123456', decode_responses=True)   # 连接redis
redis_connect = redis.Redis(connection_pool=pool)
redis_connect.geoadd()