网站便民服务平台怎么做wordpress优化cookie
在地图类应用中，当需要展示大量地理兴趣点时，直接将所有点渲染在地图上会导致视觉混乱，影响用户体验。为此，我基于 Elasticsearch 提供的 geotile_grid 和 geo_bounding_box 查询能力，实现了一套高效的 POI 聚合展示方案。
🧩 问题背景：POI 数量巨大，直接渲染效率低
在地图类应用中，我们常常需要展示大量的地理兴趣点（Point of Interest, POI），例如商圈、门店、用户位置等。然而，当 POI 数量达到数万甚至数十万级别时，若将所有点一次性加载并渲染在地图上，不仅会导致页面卡顿、交互延迟，还会因标记重叠严重而降低用户体验。更严重的问题包括：
- 前端性能瓶颈：大量 DOM 节点或图形元素导致浏览器渲染压力剧增；
- 视觉混乱：点与点之间相互遮挡，信息难以辨识；
- 无差别展示：无法根据地图缩放层级动态调整展示粒度；
因此，我们需要一种既能减少前端渲染压力，又能保留关键信息的地图聚合方案。
🛠️ 技术方案：基于 Elasticsearch 的 geotile_grid 聚合机制
本方案基于 Elasticsearch 的 geotile_grid 和 geo_bounding_box 查询能力，结合球面几何算法，实现了poi高效聚合与展示。整个流程如下：
- 获取地图视口范围：通过左上角和右下角坐标限定查询范围；
- 映射地图缩放层级到 precision，根据当前地图 zoom level 动态计算合适的 geotile_grid 聚合精度；
- 提取聚合点并计算代表点，对每个 tile 内最多 100 个点进行球面几何中位数计算，得出一个最具代表性的点用于展示。
流程图：
效果展示：
Screen-2025-07-03-163545
📌 地图聚合的核心：geotile_grid
在本方案中，我们使用了 Elasticsearch 的 geotile_grid 聚合方式来实现地图兴趣点的分区聚合。
geotile_grid 本质上是一种基于 Geohash 编码的空间划分机制。它将整个地图视图划分为多个大小一致的矩形区域（称为 tile），每个 tile 包含落在其范围内的所有 POI。
- tile 的粒度由 precision 控制：precision 越高，tile 越小，聚合越精细；
- 结合 zoom level 动态映射 precision：根据当前地图缩放层级，动态设置合适的精度值，使聚合结果与地图展示粒度保持一致；
- 支持子聚合操作：我们可以在每个 tile 中嵌套 top_hits 聚合，获取最多 100 个原始点用于后续中心点计算；
通过这种方式，我们可以：
- 高效筛选出当前地图视口内的所有 tile；
- 快速获取每个 tile 内的 POI 数据；
- 为每个 tile 计算出最具代表性的“中心点”，用于前端展示；
- 这不仅显著提升了后端查询效率，也为前端提供了结构清晰、层次分明的地图聚合展示能力。
🧑💻 示例代码片段
核心代码：基于 geotile_grid 实现地图点聚合
// 1. 构建筛选条件（仅保留地理范围查询）
BoolQueryBuilder queryBuilder = QueryBuilders.boolQuery();
queryBuilder.must(QueryBuilders.geoBoundingBoxQuery("latLng").setCorners(new GeoPoint(topLeftLat, topLeftLon), new GeoPoint(bottomRightLat, bottomRightLon)));// 2. 构建 geotile_grid 聚合
GeoGridAggregationBuilder geoTileGridAgg = AggregationBuilders.geotileGrid("grid_agg").field("latLng").precision(15); // 可根据缩放级别动态设置 precision// 3. 添加子聚合 top_hits（获取每个 tile 内的 latLng 坐标）
TopHitsAggregationBuilder topHitsAgg = AggregationBuilders.topHits("top_hits_agg").fetchSource("latLng", null).size(100);
geoTileGridAgg.subAggregation(topHitsAgg);// 4. 构建最终查询
NativeSearchQuery searchQuery = new NativeSearchQueryBuilder().withQuery(queryBuilder).withAggregations(geoTileGridAgg).withMaxResults(0) // 不需要返回实际文档.build();// 5. 执行查询并解析聚合结果
SearchHits<ShopESEntity> searchHits = elasticsearchRestTemplate.search(searchQuery, ShopESEntity.class);// 6. 解析聚合结果并生成展示点
List<DisplayPointVO> displayPoints = new ArrayList<>();
if (searchHits.hasAggregations()) {List<? extends MultiBucketsAggregation.Bucket> buckets = getBuckets(searchHits.getAggregations(), "grid_agg");for (MultiBucketsAggregation.Bucket bucket : buckets) {List<MapUtils.Poi> poiList = getPoiList(bucket); // 获取该 tile 内最多 100 个点MapUtils.Poi meanPoi = MapUtils.computeSphericalMean(poiList); // 计算球面几何中位点if (meanPoi != null) {DisplayPointVO vo = new DisplayPointVO();vo.setCount(bucket.getDocCount());vo.setLat(meanPoi.getLat());vo.setLng(meanPoi.getLng());displayPoints.add(vo);}}
}最终DSL如下：
{"size": 0,"aggs": {"poi_agg": {"geotile_grid": {"field": "latLng","precision": 29},"aggs": {"points": {"top_hits": {"size": 100,"_source": {"includes": ["latLng"]}}}}}},"query": {"geo_bounding_box": {"latLng": {"top_left": {"lat": 30.293813,"lon": 120.10432},"bottom_right": {"lat": 30.167403,"lon": 120.217002}}}}
}
球面几何中位数算法（简化版）
public static class MapUtils {public static class Poi {private final double lat;private final double lon;public Poi(double lat, double lon) {this.lat = lat;this.lon = lon;}public double getLat() { return lat; }public double getLng() { return lon; }}public static Poi computeSphericalMean(List<Poi> poiList) {if (poiList.isEmpty()) return null;double sumX = 0, sumY = 0, sumZ = 0;for (Poi p : poiList) {double latRad = Math.toRadians(p.lat);double lonRad = Math.toRadians(p.lon);sumX += Math.cos(latRad) * Math.cos(lonRad);sumY += Math.cos(latRad) * Math.sin(lonRad);sumZ += Math.sin(latRad);}int n = poiList.size();double avgX = sumX / n;double avgY = sumY / n;double avgZ = sumZ / n;double hyp = Math.sqrt(avgX * avgX + avgY * avgY);double latAvg = Math.toDegrees(Math.atan2(avgZ, hyp));double lngAvg = Math.toDegrees(Math.atan2(avgY, avgX));return new Poi(latAvg, lngAvg);}
}