MongoDB的地埋空间数据存储、空间索引以及空间查询

关注

转载最新推荐文章于 2026-05-06 16:49:53 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

GIS开发——空间索引在各种数据库系统中，地理空间索引的实现和使用方式可能略有不同，下面将介绍几种常见数据库系统中地理空间索引的基本概念和用法。索引的管理和优化：索引的存在会增加数据的存储空间和维护成本，同时过多或不必要的索引可能会导致插入、更新和删除操作的性能下降。一个表可以拥有多个索引：根据查询的需要和数据库设计的复杂性，一个表可以有多个不同的索引，每个索引针对不同的查询模式或者频繁使用的字段。混合索引：在一些数据库中，可以将空间索引与常规索引（如 B 树索引）结合使用，以优化复杂查询的性能。阅读详情

一、关于MongoDB

在众多NoSQL数据库，MongoDB是一个优秀的产品。其官方介绍如下：
MongoDB (from "humongous") is a scalable, high-performance, open source, document-oriented database.

看起来，十分诱人！值得说明的是，MongoDB的document是以BSON（Binary JSON）格式存储的，完全支持Schema Free。这对地理空间数据是十分友好的。因为有著名的GeoJSON可供使用。另外OGR库也支持将Geometry类型导出为JSON格式。

本文将尝试使用OGR库把Shapefile导入到MongoDB存储，然后建立空间索引，进行空间查询。

著名的Foursquare使用了MongoDB数据库。

二、开发环境

MongoDB+Python+Pymongo+GDAL for Python

关于MongoDB和Python安装，本文不做介绍。
在继续本文之前，请先启动你的MongoDB服务器。本文默认采用如下服务器参数：
Server:localhost
Post:27017
Database Name:gisdb

三、将shapefile导入到MongoDB

这里我直接提供代码，代码中已经有比较详尽的注释了。代码基本源于“引文1”，只是做了些改动，将MongoDB的Geometry的存储格式由wkt改成json。你可直接复制并运行下面的代码，当然需要修改一下Shapefile路径和MongoDB服务器相关参数。

import os
import sys
import json
from pymongo import json_util
from pymongo.connection import Connection
from progressbar import ProgressBar
from osgeo import ogr

def shp2mongodb(shape_path, mongodb_server, mongodb_port, mongodb_db, mongodb_collection, append, query_filter):
        """Convert a shapefile to a mongodb collection"""
        print ‘Converting a shapefile to a mongodb collection ‘
        driver = ogr.GetDriverByName(‘ESRI Shapefile’)
        print ‘Opening the shapefile %s…’ % shape_path
        ds = driver.Open(shape_path, 0)
        if ds is None:
                print ‘Can not open’, ds
                sys.exit(1)
        lyr = ds.GetLayer()
        totfeats = lyr.GetFeatureCount()
        lyr.SetAttributeFilter(query_filter)
        print ‘Starting to load %s of %s features in shapefile %s to MongoDB…’ % (lyr.GetFeatureCount(), totfeats, lyr.GetName())
        print ‘Opening MongoDB connection to server %s:%i…’ % (mongodb_server, mongodb_port)
        connection = Connection(mongodb_server, mongodb_port)
        print ‘Getting database %s’ % mongodb_db
        db = connection[mongodb_db]
        print ‘Getting the collection %s’ % mongodb_collection
        collection = db[mongodb_collection]
        if append == False:
                print ‘Removing features from the collection…’
                collection.remove({})
        print ‘Starting loading features…’
        # define the progressbar
        pbar = ProgressBar(maxval=lyr.GetFeatureCount()).start()
        k=0
        # iterate the features and access its attributes (including geometry) to store them in MongoDb
        feat = lyr.GetNextFeature()
        while feat:
                mongofeat = {}
                geom = feat.GetGeometryRef()
                mongogeom = geom.ExportToJson()
                # store the geometry data with json format
                mongofeat['geom'] = json.loads(mongogeom,object_hook=json_util.object_hook)
                # iterate the feature’s  fields to get its values and store them in MongoDb
                feat_defn = lyr.GetLayerDefn()
                for i in range(feat_defn.GetFieldCount()):
                        value = feat.GetField(i)
                        if isinstance(value, str):
                                value = unicode(value, "gb2312")
                        field = feat.GetFieldDefnRef(i)
                        fieldname = field.GetName()
                        mongofeat[fieldname] = value
                # insert the feature in the collection
                collection.insert(mongofeat)
                feat.Destroy()
                feat = lyr.GetNextFeature()
                k = k + 1
                pbar.update(k)
        pbar.finish()
        print ‘%s features loaded in MongoDb from shapefile.’ % lyr.GetFeatureCount()


input_shape = ‘/home/evan/data/map/res4_4m/XianCh_point.shp’
mongodb_server = ‘localhost’
mongodb_port = 27017
mongodb_db = ‘gisdb’
mongodb_collection = ‘xqpoint’
filter = ”

print ‘Importing data to mongodb…’
shp2mongodb(input_shape, mongodb_server, mongodb_port, mongodb_db, mongodb_collection, False, filter)

四、MongoDB中空间数据的存储格式

在MongoDB的Shell中执行：
>db.xqpoint.findOne()
结果如下：

{
    "_id" : ObjectId("4dc82e7f7de36a5ceb000000"),
    "PERIMETER" : 0,
    "NAME" : "漠河县",
    "PYNAME" : "Mohe Xian",
    "AREA" : 0,
    "ADCODE93" : 232723,
    "CNTYPT_ID" : 31,
    "CNTYPT_" : 1,
    "geom" : {
        "type" : "Point",
        "coordinates" : [
            122.53233,
            52.968872
        ]
    },
    "ID" : 1031,
    "PN" : 1,
    "CLASS" : "AI"
}

这便是一个document，使用JSON格式，一目了然。其中的"geom"即为Geometry类型的数据，即地理空间数据，也是采用JSON格式存储，这样后续的空间索引与空间查询将十分方便。

MongoDB原生地支持了空间索引与空间查询，这一点比PostgreSQL方便，不再需要使用PostGIS进行空间扩展了。至于性能，我还没测试，在此不敢妄加评论。

五、在MongoDB中建立空间索引

>db.xqpoint.ensureIndex({‘geom.coordinates’:’2d’})

是不是十分简单？其它参数及用法请自行查看MongoDB手册。

六、在MongoDB中进行空间查询

>db.xqpoint.find({"geom.coordinates":[122.53233,52.968872]})

即可查询到上述“莫河县”这个点。当然，像这种精确查询，实际应用并不多。实际应用的空间查询大多为范围查询。MongoDB支持邻域查询（$near），和范围查询（$within）。

1. 邻域查询($near)

>db.xqpoint.find({"geom.coordinates":{$near:[122,52]}})
上述查询语句查询点[122,52]附近的点，MongoDB默认返回附近的100个点，并按距离排序。你也可以用limit()指定返回的结果数量，如：>db.xqpoint.find({"geom.coordinates":{$near:[122,52]}}).limit(5)

另外，你也可以指定一个最大距离，只查询这个距离内的点。
>db.xqpoint.find({"geom.coordinates":{$near:[122,52],$maxDistance:5}}).limit(5)

MongoDB的find()方法可很方便的进行查询，同时MongoDB也提供了geoNear命令，用于邻域查询。
>db.runCommand({geoNear:"xqpoint",near:[122,56],num:2})
上述语句用于查询[122,56]点附近的点，并只返回2个点。结果如下：

{
    "ns" : "gisdb.xqpoint",
    "near" : "1110011000111101111100010000011000111101111100010000",
    "results" : [
        {
            "dis" : 3.077515616588727,
            "obj" : {
                "_id" : ObjectId("4dc82e7f7de36a5ceb000000"),
                "PERIMETER" : 0,
                "NAME" : "漠河县",
                "PYNAME" : "Mohe Xian",
                "AREA" : 0,
                "ADCODE93" : 232723,
                "CNTYPT_ID" : 31,
                "CNTYPT_" : 1,
                "geom" : {
                    "type" : "Point",
                    "coordinates" : [
                        122.53233,
                        52.968872
                    ]
                },
                "ID" : 1031,
                "PN" : 1,
                "CLASS" : "AI"
            }
        },
        {
            "dis" : 4.551319677334594,
            "obj" : {
                "_id" : ObjectId("4dc82e7f7de36a5ceb000001"),
                "PERIMETER" : 0,
                "NAME" : "塔河县",
                "PYNAME" : "Tahe Xian",
                "AREA" : 0,
                "ADCODE93" : 232722,
                "CNTYPT_ID" : 66,
                "CNTYPT_" : 2,
                "geom" : {
                    "type" : "Point",
                    "coordinates" : [
                        124.7058,
                        52.340332
                    ]
                },
                "ID" : 1059,
                "PN" : 1,
                "CLASS" : "AI"
            }
        }
    ],
    "stats" : {
        "time" : 0,
        "btreelocs" : 85,
        "nscanned" : 85,
        "objectsLoaded" : 4,
        "avgDistance" : 3.814417646961661,
        "maxDistance" : 4.551319677334594
    },
    "ok" : 1
}

当然，我们也可附加条件查询条件，如查询[122,56]附近的且"PYNAME"为"Tahe Xian"的点：
>db.runCommand({geoNear:"xqpoint",near:[122,56],num:2,query:{"PYNAME":"Tahe Xian"})
返回结果如下：

{
    "ns" : "gisdb.xqpoint",
    "near" : "1110011000111101111100010000011000111101111100010000",
    "results" : [
        {
            "dis" : 4.551319677334594,
            "obj" : {
                "_id" : ObjectId("4dc82e7f7de36a5ceb000001"),
                "PERIMETER" : 0,
                "NAME" : "塔河县",
                "PYNAME" : "Tahe Xian",
                "AREA" : 0,
                "ADCODE93" : 232722,
                "CNTYPT_ID" : 66,
                "CNTYPT_" : 2,
                "geom" : {
                    "type" : "Point",
                    "coordinates" : [
                        124.7058,
                        52.340332
                    ]
                },
                "ID" : 1059,
                "PN" : 1,
                "CLASS" : "AI"
            }
        }
    ],
    "stats" : {
        "time" : 45,
        "btreelocs" : 2095,
        "nscanned" : 2096,
        "objectsLoaded" : 2096,
        "avgDistance" : 4.551319677334594,
        "maxDistance" : 4.551319677334594
    },
    "ok" : 1
}

2. 范围查询($within)

MongoDB的$within操作符支持的形状有$box（矩形）,$center（圆形）,$polygon（多边形，包括凹多边形和凸多边形）。所有的范围查询，默认是包含边界的。

查询一个矩形范围，需要指定矩形的左下角和右上角两个坐标点，如下：
> box = [[80,40],[100,50]]
> db.xqpoint.find({"geom.coordinates":{$within:{$box:box}}})

查询一个圆形范围，需要指定圆心坐标和半径，如下：
> center = [80,44]
> radius =5
> db.xqpoint.find({"geom.coordinates":{$within:{$center:[center,radius]}}})

查询一个多边形范围，需要指定多边形的各个顶点，可以通过一个顶点数组或一系列点对象指定。其中，最后一个点是默认与第一个点连接的。如下：
> polygon1 = [[75,35],[80,35],[80,45],[60,40]]
> db.xqpoint.find({"geom.coordinates":{$within:{$polygon:polygon1}}})
或者
> polygon2 = ｛a:{75,35},b:{80,35},c:{80,45},d:{60,40}}
> db.xqpoint.find({"geom.coordinates":{$within:{$polygon:polygon2}}})

注意：MongoDB 1.9及以上版本才支持多边形范围查询。

P.S. MongoDB还支持复合索引，球面模型（可简单理解为投影吧），多位置文档（Multi-location Documents，即一个文档中包括多个Geometry），可参见“引文2”或MongoDB手册。

收录于