LBS数据库的架构是怎样的？ 第1页

（Worboys and Duckham, GIS: A Computing Perspective , p245）

其中点1（x坐标，y坐标，左，右，数据），点2（x坐标，y坐标，左，右，数据）在1的右边，因此2存储在1的第二个分支下。以此类推。

当然，更复杂的地理信息数据库中，线，多边形和三维objects都会有存储，因此他们的index方法也不同于点。一般来说，越复杂的object index的方法也越复杂，

-----------------------------------缓存------------------------------------------------------------------------

下面简单说明一下缓存的建立思路。这个无法进行详细说明，因为往往都是要根据业务需求进行设计的。简单流程是分析业务主流的query类型-》根据query类型设计缓存。只有理解query类型，才能理解查询过程中应用的算法。这么做目的有2个：1是尽量避免用计算量大耗时长的算法来取得query结果，2是如果避免不了就进行预计算。

所以首先是要理解空间query的类型，按照计算量从小到大顺序排列的query类型是。

1.空间选择查询.

例如，找到距离火车站200米以内的5星评价的饭店。

2.最近邻居查询.

例如，距离火车站最近的2个饭店/火车站到北京饭店的驾车距离是多少

3.拓扑关系查询。

例如，王府井是否在北京市。

这里如果都是LBS的话， 其实简单很多，因为点与线或者多边形的距离和拓扑结构的算法是很简单的，而多边形和多边形就复杂得多。

假设，LBS的query，是大众点评式的。用户最多的query应该是类似：

距离我现在的位置最近的的港式餐厅按评价排序结果。

这个是一个典型的空间选择查询。

那么，缓存的策略可以按照用户集中地地区，预先查询出一些常用的餐厅类型的文件，做成缓存。

相对于其他的地理信息查询，LBS的缓存还是好做的。

大家可以感受一下这个query：找到所有国内的城市，它最近的河流全部是在这个城市所在的省之外。

这个query涉及了线和多边形的拓扑结构查询（省之外）和最近邻居查询（最近的河流）的组合查询，

如果用户都是这种query，那么做缓存的策略人就要蛋疼了！！！！具体操作就要考虑预先计算省的多边形的最小bounding box了。之后这里涉及比较复杂的缓存策略就省略..写起来就不是几句话能讲清楚得了。

----------------------------------------------------------------------------------------------------------------

最后感谢我的数据库老师Matt Duckham，也就是多次截取图片的原书作者。