序：最近做了一个在地图上标记点的项目，用户要求是在地图上显示百万量级的标记点，并且地图仍要可用（能拖拽，能缩放）。调研了不少方法和方案，最终实现了相对流畅的地图系统，加载耗时用户也可以接受，学到了不少知识，这里做一个总结

（PS：工作这几年，工程能力有没有提升不知道，数学能力绝对是飞速下降，简单的数据线性变换竟然要想半天，看来平时还是训练的太少了，不管是数据结构还是算法都完全没跟上）

技术栈

前端：vue + 高德地图js api 1.4
后端：springcloud
数据库：mongo
数据处理：pandas

一、前期调研，确定思路

用户提供的原始数据高达一亿，同屏出现的点的数量可能能到百万，就算把完全重合的点都去重也还是有近十万，且不说数据的时延，前端浏览器承载这么大的数据量本身就不太现实。经过各种调研，确认无论是百度地图、高德地图还是openlayers、leaflet这样的框架都很难支撑万级以上的数据量的绘制。就算绘制完成，地图也基本处于一个没法用的状态了。

和同事讨论后确定了整体方案：

1、数据处理

在不同的缩放等级下，对原始数据进行采样，以1x1或者2x2像素代表的经纬度范围为一组取其中一个随机数据（后来在用户的要求下改为求均值），在放到足够大（zoom16以上）后不再采样，展示原始数据

关于采样间隔的选择，在不同的缩放等级下进行计算。以zoom=11为例，一个像素表示的经纬度范围约为0.0006，那我们选择以0.001的间隔采样，绘图的时候以4个像素来表示一个点就比较合理。

如果想要更精细的绘图，那么就减小采样的间隔，与之相对的得到的数据规模就会更大，网页响应也就越慢。因此需要在性能和精准方面做一个取舍。

2、数据存储

对每个缩放等级下采样数据进行分表，随着缩放等级的增大，数据也越来越多，为了保证查询的效率采用四分法分表存储。
在zoom=11时，用一张表存储，zoom=12时用4张表，依此类推。到zoom=16时，分1024张表存储，后面我还建立了一张索引表，用来查询屏幕显示的经纬度范围所涉及的表有哪些。

数据库方面选择了mongodb，主要是看中了支持地理位置索引，可以快速查询地理位置上包围、相交的点的集合。

3、前端展示

经过测试，在高德地图和百度上绘制的海量点图层，当数据超过3w时地图的卡顿就会非常明显，想要容纳10w级的数据，不管是框架的性能和浏览器的内存都顶不住，因此想到在后端先把图片渲染好，然后传输到前端展示一个图层即可。

在缩放等级达到一定大小后，如zoom=16，屏幕内的数据规模去重后降低到1~2w这个数量级，再使用地图的标记物来绘制，用户可以和标记物进行交互。

基于以上思想开始了工作，中途学习很多新的东西，也踩了不少坑

二、数据处理

数据处理方面主要就使用pandas来读取用户提供的csv文件，然后经过采样后再保存到数据库里

pandas用了一个第三方库modin来加速，可以把电脑的cpu直接干满，大大节省了时间。1亿的数据两个小时不到就处理完成了

主要用的语法有

读取csv文件的指定列并指定分割符

df = pd.read_csv(path,sep='\t', usecols=[0, 1, 7, 9, 11, 13])

apply方法转换某两列的数据

df['grid_lon'], df['grid_lat'] = zip(*df[['Longitude', 'Latitude']].apply(lambda row: lat_lng_to_grid(row[0], row[1], grid_size), axis=1))

pandas分组求均值

concat_df.groupby(['grid_lon','grid_lat']).mean()

df舍弃列

df = df.drop(columns=['grid_lon', 'grid_lat','Longitude','Latitude'])

另外还涉及到python连接mongo数据库，使用pymongo

注意在插入数据前，需要先把df转换成字典列表

client = MongoClient("mongodb://admin@localhost:27017/?authSource=map", username="admin",password="admin")
db = client["map"]
collection = db["map_index"]
collection.insert_one(map_data)

检查索引是否存在，如果不存在则建立2d索引

indexes = collection.list_indexes()
index_exists = any(index['name'] == index_name for index in indexes)
if not index_exists:collection.create_index([('lnglat', '2d')])

除此之外，如果数据使用的是国际坐标系wgs84，直接标记在国内的地图上是不准的，还需要转换成国内坐标系，即火星坐标系，转换方法在网上有比较详细的过程，这里就不赘述了

三、mongo数据库的使用

mongo数据库之前没有接触过，这是一个NoSQL的数据库，数据在库中被称为文档，每个文档的结构可以是不相同的，不需要有固定的结构，这也是NoSQL数据库的显著特征之一。

回到我们的项目，mongo数据库支持两种地理位置相关的索引，2d索引和2dSphere，二者的区别在于2d索引除了表示地理位置的经纬度之外，还用在平面地图相关的场景中，比如游戏的地图坐标等等。2dSphere则用于球形表面的位置存储。

在球形坐标上使用2d索引得到的结果不一定正确，在官方的文档中提到，如果要使用 $nearSphere（指定地理空间查询要按从最近到最远的顺序为其返回文档的点）这样和距离计算有关的查询，最好使用2dShere索引。在极点附近使用2d索引来判断位置也会出现错误。

两种索引的不同还体现在对查询语句的支持上。像$box这样的查询就只支持2d索引。具体可以阅读官方文档

https://www.mongodb.com/zh-cn/docs/manual/reference/operator/query-geospatial/

在本项目中不涉及到实际距离的计算，坐标位置也不在极点，因此使用2d索引也是可行的。在查询哪些区域和屏幕显示区域相交时，需要用到$geoIntersects，因此表的索引表建立的是2dSphere索引。

用到的查询语法

1、建立索引

db.sampled_11_0.createIndex({'lnglat':'2d'})

2、矩形区域内查询

db.sampled_11_0.find({"lnglat": {"$geoWithin": {"$box": [[113.728815,22.287244],[115.35306,23.015874]]}}
})

3、geoJson格式数据

注意 geoJson表示多边形的时候，起始点和结尾点必须相同

{"name":"mean_sampled_11_0","zoom":zoom,"box":{"type":"Polygon","coordinates":[[[mg_min_lng,mg_min_lat],[mg_min_lng,mg_max_lat],[mg_max_lng,mg_max_lat],[mg_max_lng,mg_min_lat],[mg_min_lng,mg_min_lat]]]}}

4、多边形相交

使用2dSphere索引时，查询语句中也是一个geoJson，下图中的示例代表一个多边形，查询与该多边形相交的数据

{<location field>: {$geoIntersects: {$geometry: {type: "Polygon" ,coordinates: [ <coordinates> ]}}}
}

四、数据查询&展示

数据完成处理并且入库后，我们搭好前后端的基本框架，就可以开始编写查询数据 -> 展示数据的代码了

前端

前端我们使用的是高德地图js api 1.4.5 不使用最新的2.0的原因是js api 2.0的缩放，zoom的步长不太好调整，而我们这次的项目只需要整数级别缩放即可。

地图api的使用，查看官方文档即可学会，并且官方还有在线调试的功能，非常的好用。如果遇到了问题，直接提工单，很快就会有工程师响应，不愧是大厂

初始化地图

initAMap() {window._AMapSecurityConfig = {securityJsCode: "*****************************",};AMapLoader.load({key: "******************************", // 申请好的Web端开发者Key，首次调用 load 时必填version: "1.4.15", // 指定要加载的 JSAPI 的版本，缺省时默认为 1.4.15plugins: ["AMap.Scale"], //需要使用的的插件列表，如比例尺'AMap.Scale'，支持添加多个如：['...','...']}).then((AMap) => {this.AMap = AMapthis.map = new this.AMap.Map("container", {// 设置地图容器idresizeEnable: true,viewMode: "2D", // 是否为3D地图模式expandZoomRange:true,zoom: 10, // 初始化地图级别zooms: [3,20],center: [114.211168, 22.566057], // 初始化地图中心点位置});var scale = new AMap.Scale({visible: true,position: 'LT'})this.map.addControl(scale)this.map.on('movestart',this.clearMap)this.map.on('moveend',this.addPictureDebounce)})},

添加一个图片图层

var imageLayer = new this.AMap.ImageLayer({url: imageUrl, //图片 Urlbounds: new this.AMap.Bounds([minLng,minLat], [maxLng,maxLat]), //图片范围大小的经纬度，传入西南和东北的经纬度坐标zIndex: zoom, //图层的层级zooms: [3, 20], //设置可见级别，[最小级别，最大级别]})this.map.add(imageLayer)

添加海量点图层

var massMarks = new this.AMap.MassMarks(this.pointData,{zIndex: 100,zooms: [3,20],style: style,opacity: 0.8})massMarks.on('click',function (e){// 点击标记物的业务逻辑})massMarks.setMap(this.map)

后端

后端我们使用springcloud框架，需要实现的功能是，根据前端任意时刻的屏幕大小、经纬度范围等请求参数，找出范围内的数据，绘制一张png图片或者直接把数据发到前端。在这个项目中，我们在zoom小于16时进行后端绘图，在zoom大于等于16时将去重后的数据发送到前端。

java连接mongodb，需要引入第三方库

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-mongodb</artifactId>
</dependency>

springCloud配置 如果只需要连接一个数据库，那么可以进行如下配置，mongoTemplate实例会自动加载

spring:application:name: map-servicedata:mongodb:host:xxxxxport:xxxxxusername:xxxxxpassword:xxxxxdatabase:xxxxx

使用时直接注入mongoTemplate即可

@Autowired
private MongoTemplate mongoTemplate;

如果想要配置多个数据源，则需要自己写配置类来生成不同的mongoTemplate实例

spring:application:name: map-servicedata:mongodb:shenzhenTemplate:uri: mongodb://admin:admin@localhost:27017/mapbeijingTemplate:uri: mongodb://admin:admin@localhost:27017/map_beijing

public abstract class AbstractMongoClient {public MongoDatabaseFactory mongoDatabaseFactory(String uri) {return new SimpleMongoClientDatabaseFactory(uri);}
}@Configuration
@Component
public class MongoTemplateConfigBJ extends AbstractMongoClient{@Value("${spring.data.mongodb.beijingTemplate.uri}")private String uri;@Bean(name = "beijingTemplate")public MongoTemplate mongoTemplate() {return new MongoTemplate(mongoDatabaseFactory(uri));}
}@Configuration
@Component
public class MongoTemplateConfigSZ extends AbstractMongoClient{@Value("${spring.data.mongodb.shenzhenTemplate.uri}")private String uri;@Primary@Bean(name = "shenzhenTemplate")public MongoTemplate mongoTemplate() {return new MongoTemplate(mongoDatabaseFactory(uri));}
}// 使用时@Autowired@Qualifier("shenzhenTemplate")private MongoTemplate mongoTemplate;@Autowired@Qualifier("beijingTemplate")private MongoTemplate beijingTemplate;

查询数据时，有多种方法可以使用，这里使用的是构造BasicDBObject的方法，这样写的好处是和mongo数据库的查询语句比较相似，容易理解

MongoCursor cursor是一个可迭代的对象，遍历它即可获取查询到的所有数据

BasicDBObject box = new BasicDBObject().append("$box",new double[][]{new double[]{minLng,minLat},new double[]{maxLng,maxLat}});BasicDBObject query = new BasicDBObject().append("lnglat", new BasicDBObject("$geoWithin",box));long start = System.currentTimeMillis();MongoCursor<Document> cursor =  mongoTemplate.getCollection("mean_sampled_11_0").find(query).iterator();Document document;while ( cursor.hasNext() ) {document = cursor.next();}

在前端请求发到后端时，由于在前面处理数据时我们做了分表处理，要先得到本次查询和哪些表相关。

public List<String> findCollectionNameList(Double minLng,Double maxLng,Double minLat,Double maxLat,Integer zoom,MongoTemplate mongoTemplate) {// 构建一个geoJson 查询哪些表的范围和这个矩形相交GeoJsonPolygon geoJsonPolygon = new GeoJsonPolygon(new Point(minLng,minLat),new Point(minLng,maxLat),new Point(maxLng,maxLat),new Point(maxLng,minLat),new Point(minLng,minLat));if (zoom < 11) {zoom = 11;}if (zoom > 16) {zoom = 16;}// 这里用了另一种写法 直接查出来数据Criteria criteria = Criteria.where("box").intersects(geoJsonPolygon);List<LinkedHashMap> objects = mongoTemplate.find(new Query(criteria).addCriteria(new Criteria("zoom").is(zoom)),LinkedHashMap.class,"map_index");List<String> results = objects.stream().map(x ->(String) x.get("name")).collect(Collectors.toList());return results;}

得到了本次查询需要的表后，我们从这些表中查询数据。拿到数据后，我们再采取方法将数据转换为屏幕上的点，这里没有考虑地球投影导致的误差，直接使用线性变换找到每一个经纬度数据在屏幕上应该出现的位置

int screenX = (int) ((lng - minLng) * pixelsPerLngDegree);
int screenY = (int) (high / pixelPerGrid - (lat - minLat) * pixelsPerLatDegree);
if (screenX == width / pixelPerGrid) {screenX = width / pixelPerGrid -1;
}
if (screenY == high / pixelPerGrid) {screenY =  high / pixelPerGrid -1;
}
// 判断颜色
Integer color = judgeColor(value,pointValue);
// 计算像素点的位置
Integer location = screenY * width / pixelPerGrid + screenX;

随后，如果需要后端作图，我们还需要掌握java中生成png图片的方法。这里也有多种方法。

1、直接操作像素

生成一个width x height大小的数组，这个数组就代表了这幅图每个像素点的颜色，颜色可以用16进制数表示也可以用RGBA表示

我们根据之前换算出的数据，确定每一个像素点的颜色，然后给BufferedImage实例赋值，就完成了png图片的绘制

// 将所有数据转换到屏幕点上BufferedImage image = new BufferedImage(width, high, BufferedImage.TYPE_INT_ARGB);int[] pixels = new int[width * high];for (Integer location : pointMap.keySet()) {List<Integer> groupList = pointMap.get(location);int color = groupList.get(0);if (groupList.size() > 0) {color = groupList.get(ThreadLocalRandom.current().nextInt(0,groupList.size()));}// 由于4个像素代表一个格子 需要计算在第几列第几排int y = (int) location / (width / pixelPerGrid);int x = (int) location % (width / pixelPerGrid);// 得到第一个点的位置int firstPointLocation = width * pixelPerGrid * y + x * pixelPerGrid;// 绘制点上去for (int i = 0; i < pixelPerGrid;i ++) {for (int j =0;j < pixelPerGrid;j++) {pixels[firstPointLocation + width * i + j] = COLOR_LIST[color];}}}image.setRGB(0, 0, width, high, pixels, 0, width);return image;

如果要导出图片，使用

ImageIO.write(image,"png",new File(filePath));

如果要发送回到前端，使用

OutputStream out = response.getOutputStream();
ImageIO.write(image,"png",out);

注：JDK8存在bug，ImageIO.write这个方法耗时很长，这个bug在JDK11完成了修复 如果想要使用需要升级JDK版本

2、使用Graphics2D

使用Graphics2D也可以完成画图，如

@Testpublic void drawCirclePng() throws IOException {Color circleColor = new Color(0xFFFF3300);BufferedImage image = new BufferedImage(100, 100, BufferedImage.TYPE_INT_ARGB);Graphics2D g2d = image.createGraphics();g2d.setColor(Color.white);g2d.fillRect(0,0,100,100);g2d.setRenderingHint(java.awt.RenderingHints.KEY_ANTIALIASING, java.awt.RenderingHints.VALUE_ANTIALIAS_ON);g2d.setColor(circleColor);g2d.fillRect(5, 5, 1, 1);g2d.dispose();File outputFile = new File("rect_test.png");ImageIO.write(image, "png", outputFile);}

这里没有做细致研究，大致看了一下画图的方法，如果要用就得看官方文档了解下

五、优化体验

上面的步骤完成后，前端或将图片作为单独的图层显示出来，或直接进行海量点标记都已经完成了用户的需求，数据量一直控制在前端可以比较流畅运行的范围内。

另外我们还可以做一下优化，让用户体验更好

1、分块加载

虽然说我们已经做了采样 + 分表，但是由于原始数据规模巨大，数据库的单个集合数据量仍然是百万级，在这种情况下等待数据全部查询完，完成绘制恐怕还是要10s以上的时间，主要耗时在数据查询阶段。为此我们可以参考这些地图厂家的做法。

地图的每个瓦片都是分开查询加载的，我们在查询某个区域时，也可以把屏幕可见的经纬度范围分成多个区域，比如我这里分成了8块区域，同时发送请求查询数据，这样大大减少了用户等待的时间。

2、防抖 + 取消过期请求

我们在每次地图发生拖拽、缩放的时候，由于屏幕展示的经纬度范围发生了变化，因此需要重新获取数据。高德地图的api触发事件非常频繁，鼠标滚动几下能触发好几次事件。这时候如果每次都触发了请求，占用资源不说，得到的数据也已经过期了，如果还绘制在屏幕上，虽然是一闪而过，用户体验也是不好的。

接口防抖的技术已经非常成熟了，在各种下拉框筛选等可能会频繁触发接口的地方都有用到。这里我们使用一个第三方库来实现

import { debounce } from 'lodash'
addPictureDebounce: debounce(function () {this.addPicture()}, 500),
addPicture() {// 发起请求
}

如此一来 在事件触发后，如果500ms内没有再次触发该事件，才会调用发起请求的方法

500ms的时间很短，有的时候还是不可避免的触发了多次请求，或者上一次请求还没完成用户又拖动了地图该怎么办呢？我们理想的逻辑是，之前没完成的请求最好是丢弃掉。

这里使用axios的取消请求方法来实现

var controller = new AbortController()
this.abortControllerList.push(controller)
axios.post('map-service/map/getPointPng',{// 各种参数
},{responseType: 'blob',signal: controller.signal}).then(response => {
// 各种业务逻辑
})

这里我们将每个axios请求的congtroller都记录下，在下一次接口触发时，先把上次的请求全部丢弃

 this.abortControllerList.forEach(controller => {controller.abort()})

这样一来，过期的请求就不会在干扰我们的业务逻辑了

六、总结

这次项目，对我的各方面能力都是一次挑战，最难绷的还是各种数据的变换算不明白了，哎，真是菜的离谱

不管怎么样，还得勤学苦练，好好努力啊