Elasticsearch地理位置查询：精准匹配搜索功能实战

本文面向使用 Elasticsearch 构建地理位置服务的开发者，详解如何基于经纬度坐标进行地理过滤、排序、范围查询和坐标计算，适用于“附近商家”、“定位打卡”、“地图可视化”等业务场景。

目录

1. 地理位置搜索的典型应用场景
2. Elasticsearch 地理坐标基础概念
3. Geo 类型字段的映射定义
4. Geo 查询实战：范围、距离、排序
5. 图解地理查询工作机制
6. 精准搜索实战代码（Python + Kibana）
7. 性能优化建议与注意事项
8. 总结与最佳实践

一、地理位置搜索的典型应用场景

二、Elasticsearch 地理坐标基础概念

Elasticsearch 提供两种地理类型字段：

2.1 geo_point

用于表示一个地理坐标（经度 + 纬度），如：

{ "location": { "lat": 39.92, "lon": 116.46 } }

2.2 geo_shape

用于表示多边形、路径、矩形等复杂空间形状（如区域、边界）

三、Geo 类型字段的映射定义

3.1 定义 geo_point 字段映射

PUT /places
{
  "mappings": {
    "properties": {
      "name": { "type": "text" },
      "location": { "type": "geo_point" }
    }
  }
}

3.2 示例数据写入

POST /places/_doc
{
  "name": "天安门",
  "location": { "lat": 39.9087, "lon": 116.3975 }
}

或者使用字符串方式：

"location": "39.9087,116.3975"

四、Geo 查询实战：范围、距离、排序

4.1 按地理范围查询（圆形）

GET /places/_search
{
  "query": {
    "bool": {
      "filter": {
        "geo_distance": {
          "distance": "5km",
          "location": {
            "lat": 39.91,
            "lon": 116.40
          }
        }
      }
    }
  }
}

含义： 搜索距离 116.40, 39.91 坐标点 5 公里内的数据

4.2 多边形区域查询（Geo Shape）

PUT /areas
{
  "mappings": {
    "properties": {
      "region": { "type": "geo_shape" }
    }
  }
}

插入矩形区域：

POST /areas/_doc
{
  "region": {
    "type": "envelope",
    "coordinates": [
      [116.30, 39.95],
      [116.50, 39.85]
    ]
  }
}

查询某点是否在区域内：

GET /areas/_search
{
  "query": {
    "geo_shape": {
      "region": {
        "shape": {
          "type": "point",
          "coordinates": [116.397, 39.907]
        },
        "relation": "within"
      }
    }
  }
}

4.3 地理距离排序（最近的排前）

GET /places/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "_geo_distance": {
        "location": {
          "lat": 39.91,
          "lon": 116.40
        },
        "order": "asc",
        "unit": "km"
      }
    }
  ]
}

五、图解地理查询工作机制

          用户输入坐标 (lat, lon)
                     ↓
        +---------------------------+
        | geo_distance / geo_shape |
        +---------------------------+
                     ↓
    Elasticsearch 根据 Geo Index 算出命中坐标
                     ↓
    返回结果 + 距离字段 + 排序

Elasticsearch 底层使用 Lucene 的 GeoHash 前缀索引或 BKD tree 结构进行空间索引优化。

六、精准搜索实战代码（Python + Kibana）

6.1 Python 查询附近餐馆

from elasticsearch import Elasticsearch

es = Elasticsearch()

location = { "lat": 39.91, "lon": 116.40 }

query = {
  "query": {
    "bool": {
      "filter": {
        "geo_distance": {
          "distance": "2km",
          "location": location
        }
      }
    }
  }
}

resp = es.search(index="places", body=query)
for hit in resp["hits"]["hits"]:
    print(hit["_source"]["name"])

6.2 Kibana DevTools 调试语句

GET /places/_search
{
  "query": {
    "bool": {
      "filter": {
        "geo_distance": {
          "distance": "1000m",
          "location": {
            "lat": 39.90,
            "lon": 116.39
          }
        }
      }
    }
  }
}

七、性能优化建议与注意事项

八、总结与最佳实践

推荐实践：

• 使用 geo_point 满足大多数“附近搜索”场景
• 使用 geo_shape 处理复杂地理边界（如行政区划）
• 查询中地理条件尽量写在 filter 中以加快查询
• 对查询频繁的“坐标点”数据，可增加 Redis 缓存