基于弹性搜索的地理空间标记聚类

Question

我在elasticsearch索引中有几十万个文档，其中包含相关的纬度和经度(存储为geo_point类型)。我希望能够创建一个如下所示的地图可视化：http://leaflet.github.io/Leaflet.markercluster/example/marker-clustering-realworld.388.html

因此，我想我想要的是使用一个边界框(即用户正在查看的地图边界)运行一个查询，并在这个边界框中返回集群的摘要。在elasticsearch中有一个很好的方法来完成这个任务吗？一种新的索引策略？像geohashes这样的东西可以工作，但是它会将事物聚集成一个矩形网格，而不是基于点密度的任意多边形，如上面的例子所示。

@kumetix -好问题。我在这里回应你的评论，因为文本太长，无法再发表评论。geohash_precision设置将规定地理哈希聚合返回的最大精度。例如，如果将geohash_precision设置为8，我们最多可以在该字段上运行地理哈希聚合，最多可以精确到8。根据参考文献，这将返回分组在地理哈希框中的结果，大小约为38.2m×19m。7或8的精度可能足以显示基于web的热图，就像我在上面的例子中提到的那样。

至于geohash_precision如何影响集群内部，我猜该设置在geo_point中存储长度为<= geohash_precision的地理哈希字符串。假设我们在自由女神像上说得有道理: 40.6892，-74.0444。它的geohash12是: dr5r7p4xb2ts。在geohash_precision中将geo_point设置为8将在内部存储字符串:d dr dr5 dr5r dr5r7 dr5r7p dr5r7p4 dr5r7p4x

另外，12的geohash_precision将在内部存储字符串: dr5r7p4xb dr5r7p4xb2 dr5r7p4xb2t dr5r7p4xb2ts。

这样，每个geo_point的存储开销就会增加一点。将geohash_precision设置为距离值(1km、1m等)可能只是将其存储在最近的地理哈希字符串长度精度值中。

注:如何使用python计算geohashes

$ pip install python-geohash
>>> import geohash
>>> geohash.encode(40.6892,-74.0444)
'dr5r7p4xb2ts'

Answer 1

在ElasticSearch1.0中，可以使用新的Geo散列网格聚合。

像geohashes这样的东西可以工作，但是它会将事物聚集成一个矩形网格，而不是基于点密度的任意多边形，如上面的例子所示。

这是真的，但是Geo散列网格聚合很好地处理稀疏数据，所以您所需要的只是网格上的足够点，您可以实现与地图中的示例非常相似的功能。

Answer 2

试试这个：

https://github.com/triforkams/geohash-facet

我们一直在使用它来进行服务器端集群，而且非常好。

示例查询：

GET /things/thing/_search
{
  "size": 0,
  "query": {
        "filtered": {
            "filter": {
                "geo_bounding_box": {
                    "Location"
                    : {
                        "top_left": {
                            "lat": 45.274886437048941,
                            "lon": -34.453125
                        },
                        "bottom_right": {
                            "lat": -35.317366329237856,
                            "lon": 1.845703125
                        }
                    }
                }
            }
        }
    },
    "facets": {
      "places": {
        "geohash": {
          "field": "Location",
          "factor": 0.85
        }
      }

    }
}