距离不一定产生美，还有GeoHash算法。

「附近的人」这样的产品功能，你一定不陌生吧？

微信就有「附近的人」的功能，依托于位置信息，展示平台上与你距离较近的用户，这个功能在各种平台上曾经盛极一时，依托「附近的人」的功能，也产生了一些灰色的产业链。

但今天要讨论的不是如何利用「附近的人」来撩汉约P，而是站在产品的角度，分析「附近的人」是如何实现的。

如何实现？可能就是获取了个人位置信息，将平台上的所有用户的位置信息按位置排序，然后逐一计算距离…

起初我也觉得这事就这么简单。但果真如此，就不值得学习探讨了。附近的人的实现策略，并不是一句话就能说清楚的。

首先，我们来回顾一些地理知识。

1、地球是圆的，分南北极，以地轴为中心自转。

2、纵切线是经线，常用「经度」来衡量；横切线是纬线，常用「纬度」来衡量；

3、纬线赤道往北极方向称为「北纬」，往南极方向称为「南纬」；经线地轴往左方向是「西经」，往右方向是「西经」；经线和纬线相交的点叫「坐标」，如下图中的红点：

也就是说，我们每个人目前所在的位置，都在某一条经线和纬线的相交点上，都有一个「坐标」，我们也常说「位置」。

那手机应用是如何获取我们的位置的呢（手机如何定位，知道我们在哪里）？

目前常用的定位技术有GPS定位、基站定位、WiFi辅助定位、AGPS定位、Glonass定位、北斗定位等。具体这些技术是什么原理这里不细讲了，通过这些技术，我们的位置会换算成一个「坐标」，使用坐标点（XX.XXXXX,Y.XXXXX）来描述，我们也常说这是「经纬度」。

假如我们都获取到了平台上的用户位置所在的坐标点，就可以计算你和TA的距离，就知道TA是不是你附近的人了。

如何计算你和TA的距离呢？

坐标值保留小数5位，大概就可以精确到1米左右，比如A用户和B用户坐标点A（20.38635，93.85210）与B（20.638635，93.85212）Y轴相差93.85212-93.85210 = 0.00002，相差在2米左右；

在纬度相等的情况下：

*经度每隔0.00001度，距离相差约1米；

*每隔0.0001度，距离相差约10米；

*每隔0.001度，距离相差约100米；

… 以此类推

 *在经度相等的情况下：

*纬度每隔0.00001度，距离相差约1.1米；

*每隔0.0001度，距离相差约11米；

*每隔0.001度，距离相差约111米；

… 以此类推

但并不是所有用户都在同一条经线或者纬线上直接算直线距离，如果用户量较大的情况下，要这样使用二维坐标（x,y）来计算距离是不现实的，其次，真实记录用户所在的经纬度，且在多个地方使用经纬度来计算位置，有一定的隐私问题。

如果我们想要更快地得知你所在的位置附近，都有哪些人，必须寻找快一点的方式，比如数据库在数据量较大且需要排序时，会经常用到索引来提高计算效率。

GeoHash算法将二维的经纬度（x,y）转换成一维信息（字符串），同时解决了隐私问题。

以下图为例，把某个区域划分为9个格子，9个给格子分别命名为WX4ER，WX4G2、WX4G3等这样的字符串，每一个字符串是某个格子的代号，用这个代号来代表被划分的子区域。

也就是说，每个格子（子区域）内所有的点（经纬度坐标）都共享相同的GeoHash字符串，大家表示自己的所在位置时，只需要说出该字符代号（比如我们在做自我介绍时说我是广州天河人，“天河”就是广州被划分的其中一个格子），这样既可以保护隐私（只表示大概区域位置而不是具体的点），一维的信息也比较容易计算和做缓存，只要格子划分地越小，距离就越精确。

那GeoHash字符串如何表示自己的精确等级呢？

GeoHash字符串越长，表示的范围越精确。如图所示，5位的编码能表示10平方千米范围的矩形区域，而6位编码能表示更精细的区域（约0.34平方千米）

GeoHash字符串相似的表示距离相近，比如上图中的：

• WX4G09和
• WX4G08较近，和
• WX4FBX较远

这样可以利用字符串的前缀匹配来查询附近的POI信息(POI信息表示一栋房子、一个商铺、一个邮筒、一个公交站等)，在地图程序中找附近的医院、加油站等都有应用。

同样地，我们可以用此方法来圈到同一区域（格子）或者附近区域的人群，再计算大概的距离，而不用把与所有人的距离计算出来，再做排序。

再来回顾一下两种计算方法：

（1）只保存了每个人的坐标，要找出某个用户附近的人

• 把所有人的坐标与当前用户的坐标计算一次，算出距离
• 按找算出的距离升序排列，返回附近的人

（2）保存了用户的坐标+GeoHash字符串，要找出附近的人

• 按区域字符串相似度划出该区域的人群，区域划分越小，距离越近。

很明显，2方法要快一些。

GeoHash字符串在位置接近矩形边界时不太准确。

比如红色的点是A用户，绿色的两个点从上到下分别是B用户和C用户，但在圈定人群时会发现距离A较远的C用户的GeoHash编码与A一样（因为在同一个GeoHash区域块上），而较近的B用户的GeoHash编码与A不一样，算起来好像C与A较近。

• A：WX4G0
• B：WX4G2
• C：WX4G0

所以，除了区域的划分尽可能小来缩小边界问题，在距离要求不是很精确时，可以同时返回以A为中心区域的其他8个点附近的人。

Geohash的长度越长时，表示距离越近（大部分时候准确）。如上图，6位的Geohash长度距离大概在2.4公里，8位的Geohash长度，大概在8米左右的距离误差，9位的Geohash长度，大概就是2米了。

如此，产品在准备类似附近的人这样的产品需求时，可以给到大概地理范围内的值，让研发知道你所谓的「附近」，边界在哪里。

作者：余秋楠

来源：微信公众号【程序员和产品经理】

本文由 @余秋楠 授权发布于人人都是产品经理，未经作者许可，禁止转载。