---

title: HBase與時空索引技術(shù)
date: 2021-05-13 10:04:05
tags:

• HBase
• GIS

---

所謂時空數(shù)據(jù)，顧名思義，包含了兩個維度的信息：空間信息與時間信息?？臻g信息，以地理位置點最為基礎(chǔ)，還包括線、多邊形以及更為復(fù)雜的多維結(jié)構(gòu)。最典型的時空數(shù)據(jù)，莫過于移動對象的軌跡點數(shù)據(jù)，如每隔5秒鐘記錄的車輛實時位置信息。這類數(shù)據(jù)，在物聯(lián)網(wǎng)領(lǐng)域司空見慣，在可預(yù)見的未來，這類數(shù)據(jù)將會出現(xiàn)爆炸性的增長。

用HBase存放時空數(shù)據(jù)

時空數(shù)據(jù)，尤其是移動對象位置點數(shù)據(jù)，結(jié)構(gòu)簡單，但關(guān)于吞吐量的要求卻往往很高。單從這點信息來看，這類數(shù)據(jù)屬于HBase的適用范疇。

先不談?wù)摃r間緯度與復(fù)雜的多邊形數(shù)據(jù)，我們先從最簡單的地理位置點數(shù)據(jù)開始，探討一下如果用HBase來存儲這類數(shù)據(jù)會遭遇哪些技術(shù)挑戰(zhàn)。

地理位置點Point中包含兩個信息：經(jīng)度X與緯度Y，按照傳統(tǒng)的思路，將一個Point存成一行數(shù)據(jù)，而經(jīng)度X與緯度Y則分別是構(gòu)成這行數(shù)據(jù)的兩個列，可以為每一個Point設(shè)置一個ID，并以此ID作為數(shù)據(jù)RowKey。所有的Points在表中按ID字典順序存放。

圍繞地理位置點的典型的查詢方式，如“查詢某一個建筑附近有哪些酒店？”，按照剛剛表設(shè)計思路，數(shù)據(jù)如按主鍵ID順序存放，某個建筑附近的所有酒店，它們在主鍵順序上卻未必是相鄰的，因此，這個查詢可能涉及掃描大量的無關(guān)數(shù)據(jù)。

可見，針對最簡單的時空數(shù)據(jù)類型，傳統(tǒng)HBase表設(shè)計思路已經(jīng)顯得非常低效，傳統(tǒng)關(guān)系型數(shù)據(jù)庫基于B-Tree的數(shù)據(jù)組織結(jié)構(gòu)也更是疲于應(yīng)對。再放大到整個時空數(shù)據(jù)的范疇，要支持的典型場景更為復(fù)雜：

• 查詢某一個地理區(qū)域在某個歷史時間范圍內(nèi)發(fā)生的關(guān)鍵事件
• 查詢某一個地理區(qū)域的人流量、車流量信息
• 查詢某一天上午先后在A，B，C三個地理區(qū)域出現(xiàn)過的具有某些特征的人
• 查詢某嫌疑人在某一天的行動軌跡

歸根結(jié)底，HBase中的數(shù)據(jù)按照RowKey單維度排序組織，而我們現(xiàn)在卻面臨的是一個多維數(shù)據(jù)問題。因此，HBase如果想很好的支持時空數(shù)據(jù)的存儲，需要引入時空索引技術(shù)。

從上面的查詢場景來看，原生HBase的訪問接口難以直接支持這些能力，因此，時空數(shù)據(jù)領(lǐng)域需要更加專業(yè)的訪問接口，這是GeoMesa項目存在的關(guān)鍵原因。

常見的時空索引技術(shù)

關(guān)于時空索引，已經(jīng)有不少常見的技術(shù)，這里，我們主要介紹一下R-Trees、Quad-Trees、K-D Trees以及Space Filling Curve這四種技術(shù)。

R-Trees

R-Trees源自論文《R-Trees: A Dynamic Index Structure For Spatial Searching》，下面的圖也源自此論文：

R-Trees基于這樣的思想設(shè)計：

每一個空間對象，如一個多邊形區(qū)域，都存在一個最小的矩形，能夠恰好包含此時空對象，如上圖中的矩形R6所包含的彎月形區(qū)域。這個最小包圍矩形被稱之為MBR(Minimum Bounding Rectangle)。

多個相鄰的矩形，可以被包含在一個更大的最小包圍矩形中。如R6、R9以及R10三個矩形，可以被包含在R3中，而R11與R12則被包含在R4中。

繼續(xù)迭代，總能找到若干個最大的區(qū)域，以一種樹狀的形式，將所有的時空對象給容納進(jìn)去，如上圖中的R1, R2。這樣，整個樹狀結(jié)構(gòu)，呈現(xiàn)如下：

從最小的矩形區(qū)域，到最大的矩形區(qū)域，就好比地圖中的行政區(qū)域劃分：村 -> 縣 -> 市 -> 省份。查詢時，先從鎖定的最大區(qū)域開始，逐級縮小比例尺后，就可找到最終的對象。如若將上圖中的R1與R2理解成兩個平級的”行政區(qū)域”，卻又存在本質(zhì)的區(qū)別：不同的行政區(qū)域，并不存在相互重疊，而R1與R2卻可能是重疊的。

R-Trees的定義：

\1. 每一個Leaf Node包含m到M個索引記錄（Root節(jié)點除外）。

\2. 每一個索引記錄是一個關(guān)于(I, tuple-identifier)的二元組信息，I是空間對象的最小包圍矩形，而tuple-identifier用來描述空間對象本身。

\3. 每一個Non-leaf節(jié)點，包含m到M個子節(jié)點（Root節(jié)點除外）。

\4. Non-leaf節(jié)點上的每一個數(shù)據(jù)元素，是一個(I, child-pointer)的二元組信息，child-pointer指向其中一個子節(jié)點，而I則是這個子節(jié)點上所有矩形的最小包圍矩形。

如上圖中，R3、R4以及R5，共同構(gòu)成一個non-leaf節(jié)點，R3指向包含元素R8，R9以及R10的子節(jié)點，這個指針就是child-pointer，而與R8，R9以及R10相關(guān)的最小包圍矩形，就是I。

\5. Root節(jié)點至少包含兩個子節(jié)點，除非它本身也是一個Leaf Node。

\6. 所有的Leaf Nodes都出現(xiàn)在樹的同一層上。

從定義上來看，R-Trees與B-Trees存在諸多類似：Root節(jié)點與Non-Leaf節(jié)點，均包含限定數(shù)量的子節(jié)點；所有的Leaf Nodes都出現(xiàn)在樹的同一層上。這兩種樹也都是自平衡的。

前面也已經(jīng)提到了，B-Trees主要用來存放一維排序的數(shù)據(jù)元素，而R-Tree存放的則是多維空間數(shù)據(jù)元素。從查詢方式上來看，兩者也存在顯著的差異：B-Trees更擅長于數(shù)據(jù)點查，它的設(shè)計并不利于數(shù)據(jù)的范圍查詢。基于空間元素的查詢，卻以范圍查詢?yōu)橹?#xff0c;而且往往需要對多個子樹進(jìn)行并行查詢，例如，在地圖上劃定某一個區(qū)域，查詢這個區(qū)域內(nèi)有哪些公園，可能有多個子樹都與劃定的這個區(qū)域存在交集。從這一點看來，R-Tree的搜索性能其實并沒有很好的保障。

R-Trees有多種變種，如R±Trees，R*-Trees，X-Trees, M-Trees，BR-Trees等等，不再展開過多的介紹。

Quad-Trees

同很多數(shù)據(jù)結(jié)構(gòu)類似，Quad-Trees也存在多種變種，最初的Quad-Trees設(shè)計源自論文《Quad Trees: A Data Structure for Retrieval on Composite Keys》，下圖源自論文，是關(guān)于Quad-Trees的直觀呈現(xiàn)：

上圖中的A,B,C,E,F,G均為Point，以每一個Point作為中心點，可以將一個區(qū)間分成4個象限。

假設(shè)，先寫入Point A，以A為中心，將整個區(qū)間分成了4個象限。

寫入Point B，Point B位于A的東北象限中，同樣，以B為中心，依然可以將A東北象限進(jìn)一步細(xì)分為4個子象限。

寫入Point C，Point C位于A的東南象限中，以C為中心，可以將A的東南象限細(xì)分成4個子象限。

……

任何新寫入的一個Point，總能找到一個某一個已存在的Point的子象限，來存放這個新的Point。

整個樹狀結(jié)構(gòu)呈現(xiàn)如下：

可見，Quad-Trees有幾個鮮明的特點：1. 對于非葉子節(jié)點，均包含4個子節(jié)點，對應(yīng)4個面積不一的象限。2.**不平衡，樹的結(jié)構(gòu)與數(shù)據(jù)的寫入順序直接相關(guān)。**3.有空的Leave Nodes，且所有的Leave Nodes則是”參差不齊”的(并不一定都出現(xiàn)在樹的同一層中)。4.數(shù)據(jù)既可能出現(xiàn)在分枝節(jié)點中，也可能出現(xiàn)在葉子節(jié)點中。

因為Quad-Trees存在諸多變種，為了有所區(qū)分，上面提到的最簡單的這種Quad-Tree，被稱之為Point Quad-Trees。還有一種典型的Quad-Trees，被稱之為Point Region QuadTrees(簡稱為PR QuadTrees)：

PR Quad-Trees中，每一次迭代出來的4個象限，面積相同，且不依賴于用戶數(shù)據(jù)Point作為分割點，或者說，數(shù)據(jù)分區(qū)與用戶數(shù)據(jù)無關(guān)。每一個劃分出來的子象限中，只允許存在一個Point。

與Point Quad-Trees相比，PR Quad-Trees允許兩份不同的數(shù)據(jù)集，擁有相同的分區(qū)信息。但PR Quad-Trees存在的問題也明顯：1. 兩個相鄰的Points，可能在樹的Level高度上相隔甚遠(yuǎn)。2.兩份數(shù)據(jù)集如果追求相同的分區(qū)信息，可能需要進(jìn)行足夠粒度的分割，這可能導(dǎo)致空間浪費。

K-D Trees

K-D Trees是一種針對高維點向量數(shù)據(jù)的索引結(jié)構(gòu)，一棵簡單的K-D Tree如下圖所示(原圖源自James Fogarty的”K-D Trees and Quad Trees”，但為了更直觀，關(guān)于分區(qū)分割線的線條做了改動)：

與Quad Trees思想類似，K-D Trees也是將整個區(qū)間進(jìn)行不斷分割，不同之處在于，Quad Trees每一次迭代，將一個區(qū)間分割成四個象限，而K-D Trees則是分成左右或上下兩個區(qū)間。如上圖所示：S1把整個空間分成了左右兩個區(qū)間，左側(cè)區(qū)間中，又被S2橫向分割成了上下兩個區(qū)間，而S3又在S2的分割基礎(chǔ)上，將下部分分割成了左右兩個區(qū)間，….

如果已經(jīng)存在一批Points，則較容易針對這批數(shù)據(jù)構(gòu)建出一棵趨于平衡的K-D Tree，如若接收實時寫入的數(shù)據(jù)，或者說數(shù)據(jù)更新頻繁，K-D Tree則難以維持平衡態(tài)，除非對整棵樹進(jìn)行重構(gòu)。

Space Filling Curve

如果將一個完整的二維空間，分割成一個個大小相同的矩形，可以將Space Filling Curve簡單理解為它是一種將所有的矩形區(qū)域用一條線”串”起來的方法，因”串”的方式不同，也就引申出了不同的Space Filling Curve算法。

比較典型的如Z-Order Curve：

再如Hilbert Curve:

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-43z6zHOE-1620871556108)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

Space Filling Curve事實上是為空間數(shù)據(jù)提供了一種一維排序的方法，它拉近了空間數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)庫的距離：因為這意味著可以使用傳統(tǒng)的B-Tree或B±Tree索引，來存儲空間數(shù)據(jù)。

我們再借助于Z-Order的迭代構(gòu)建過程，來加深讀者關(guān)于Space Filling Curve的理解：

如果將整個區(qū)間劃分成4個象限，第一輪迭代就是將這4個象限利用Z-Order曲線連接起來：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-zTNW3nCz-1620871556108)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

而后，將第一輪迭代中的每一個象限，再進(jìn)一步細(xì)分成4個象限，這樣共變成了16個區(qū)間。在第二輪迭代中，再將16一個小區(qū)間用Z-Order曲線連接起來：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-zlvUOgjf-1620871556110)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

第三輪迭代再進(jìn)一步拆分、連接，變成下圖的樣子：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-DbbDkGxl-1620871556111)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

每一次迭代，都是在上一次迭代的”方格”基礎(chǔ)上，將每一個”方格”拆成了4個”子方格”，這種思想與Quad-Tree的思路是一致的，尤其是PR Quad-Tree，因此，也可將Space Filling Curve理解成一種高效構(gòu)建Quad-Tree的方式，但需要說明的一點是，Z-Order論文的發(fā)布時間要遠(yuǎn)早于Quad-Tree論文的時間。

GeoHash

GeoHash可以將Point編碼成一個字符串，如：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-vke3Ejyf-1620871556112)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

http://geohash.org這個網(wǎng)站提供了經(jīng)緯度與Geohash的在線轉(zhuǎn)換能力。從編碼結(jié)果來看，可以發(fā)現(xiàn)三個特點：

越高的精度，字符串越長，可對比上表中的P1到P3的Geohash值變化。

P3所表示的區(qū)域涵蓋了P2，而P2涵蓋了P1，這層關(guān)系，在生成的Geohash值中這樣體現(xiàn)：

“ws10rn6y”(對應(yīng)P2)以”ws10rn”(對應(yīng)P3)為前綴

“ws10rn6yp9ms”(對應(yīng)P1)以”ws10rn6y”(對應(yīng)P2)為前綴。

位置相近的點，生成的Geohash值也相似，如P2與P4，兩者緯度相同，經(jīng)度僅差0.001，在生成的Geohash值中僅最后一個字符有區(qū)別。

GeoMesa官方資料中，也給出了這樣一個典型的例子：

針對 (-78.48, 38.03)，編碼的過程，如下：

第1步：經(jīng)度二分

規(guī)則：先將完整的坐標(biāo)系統(tǒng)(-180.000 -90.000, 180.000 90.000)按經(jīng)度中點0.000進(jìn)行二分，如果處于左邊則編碼為0，處于右邊，則編碼為1。

結(jié)果：因 (-78.48, 38.03)處于左側(cè)區(qū)間(-180.000, 0.000)，因此，實際編碼為0。此時， (-78.48, 38.03)所處的區(qū)間被縮小為(-180.000 -90.000, 0.000 90.000)。

第2步：緯度二分

規(guī)則：基于第1步的結(jié)果，再將(-180.000 -90.000, 0.000 90.000)按緯度中點0.000進(jìn)行二分，如果處于上側(cè)則編碼為1，處于下側(cè)，則編碼為0。

結(jié)果：因 (-78.48, 38.03)處于上側(cè)區(qū)間(-180.000, 0.000)，編碼為1，與第一步的結(jié)果結(jié)合在一起，編碼變?yōu)椤?1″。此時， (-78.48, 38.03)所處的區(qū)間被縮小為(-180.000 0.000, 0.000 90.000)。

第3步：經(jīng)度二分

規(guī)則：基于第2步的結(jié)果，再將(-180.000 0.000, 0.000 90.000)按經(jīng)度中點-90.000進(jìn)行二分，同樣，如果處于左側(cè)則編碼為0，處于右側(cè)，則編碼為1。

結(jié)果：因 (-78.48, 38.03)處于上側(cè)區(qū)間(-90.000, 0.000)，編碼為1，與前兩步的結(jié)果結(jié)合在一起，編碼變?yōu)椤?11″。此時， (-78.48, 38.03)所處的區(qū)間被縮小為(-90.000 0.000, 0.000 90.000)。

第4步：緯度二分

……

就這樣，經(jīng)度緯度不斷交替二分迭代，每一步的輸出結(jié)果如下表所示：

關(guān)于上表中的Bounding Boxes的不斷編碼，可直觀的體現(xiàn)在下圖中：

通過Base-32 Encoding，可以將上表中的編碼結(jié)果進(jìn)一步編碼成字符串。例如，基于Base-32編碼規(guī)則：

因此，(-78.48, 38.03)的編碼為01100 10110 01010 00000 10110，將其轉(zhuǎn)換成對應(yīng)的字符：

? 01100 -> d

? 10110 -> q

? 01010 -> b

? 00000 -> 0

? 10110 -> q

連在一起，(-78.48, 38.03)的最終編碼結(jié)果變?yōu)?#xff1a;dqb0q

經(jīng)Geohash編碼后，其順序與Z-Order編碼保持一致，因此，也可以將Geohash是針對Z-Order算法的一種編碼機(jī)制。Geohash編碼帶來的顯著優(yōu)勢是：以字符串字典順序表達(dá)Z-Order順序，利用字符串的前綴匹配規(guī)則，也可快速實現(xiàn)多邊形區(qū)域的重疊計算，但在編碼效率上卻并無任何優(yōu)勢，如sfcurve項目中提供的Z2編碼算法，性能要遠(yuǎn)高于Geohash算法。

哪種時空索引可應(yīng)用于HBase?

HBase基于LSM-Tree架構(gòu)，底層HFile文件以B+ Tree形式組織。在不影響HBase現(xiàn)有架構(gòu)的基礎(chǔ)上，我們來分別探討一下各種時空索引與HBase結(jié)合的可能性。

從R-Trees的原始論文描述來看，它的設(shè)計是為了充分利用Disk Page的優(yōu)勢，這一點與B-Tree類似。它支持良好的數(shù)據(jù)隨機(jī)寫入能力，能夠自平衡，從設(shè)計上來看，非常適合于矩形/多邊形空間對象的存儲。既然是致力于磁盤上的索引設(shè)計，對HBase現(xiàn)有架構(gòu)帶來較大的侵入性，即使能對HBase進(jìn)行改造，與B-Tree類似的這種設(shè)計，已經(jīng)被證明難以支撐高吞吐量數(shù)據(jù)寫入。如果不做任何改造，我們只能考慮如何將R-Trees的數(shù)據(jù)映射到HBase的KeyValue模型中：HBase的數(shù)據(jù)按RowKey排序，從而能夠按照RowKey快速檢索，如果將R-Trees的數(shù)據(jù)以HBase原生數(shù)據(jù)形態(tài)組織，自然希望能提供一種方法，使得R-Trees中的數(shù)據(jù)排序方式與RowKey的排序一致，或者說，如何為R-Trees中的數(shù)據(jù)對象找到一種RowKey生成機(jī)制，使得R-Trees中的數(shù)據(jù)順序就是RowKey的字典順序。但我們知道，R-Trees中，其實已經(jīng)弱化了數(shù)據(jù)對象”排序”的含義，一個節(jié)點與子節(jié)點之間，更多是一種包含于被包含的關(guān)系，一個空間對象可能歸屬于不同的分枝，這取決于那種劃分方案更優(yōu)，當(dāng)一個Leaf Node承載的對象過多時，也可能出現(xiàn)Split。如果按照傳統(tǒng)的樹遍歷的順序來理解R-Trees中的對象排序，這種排序是不確定的。這意味著，我們無法構(gòu)建出一種確定順序的RowKey。

再來看一下K-D Trees：K-D Trees是針對高維點向量而設(shè)計，用來存儲二維的Point數(shù)據(jù)，自然也能很好的應(yīng)對。K-D Trees的結(jié)構(gòu)，與數(shù)據(jù)的寫入順序強(qiáng)相關(guān)，也可以說，同樣的一批數(shù)據(jù)，因順序不同，所構(gòu)成的樹的結(jié)構(gòu)截然不同，這個問題也存在于Point Quad Trees中，因樹結(jié)構(gòu)的不確定性，它們與HBase結(jié)合的最大障礙，依然在于如何將Trees中的數(shù)據(jù)映射到KeyValue模型中。

PR Quad Tree的分區(qū)則不依賴于數(shù)據(jù)本身，更與數(shù)據(jù)的寫入順序無關(guān)，但PR Quad Tree限制每一個Point都獨占一個小方格的設(shè)計，使得每一個Point可能處在樹的不同層次/高度中，而且隨著數(shù)據(jù)的不斷寫入，同一個Point所處的高度可能會發(fā)生變化：如原來某一個方格中只有一個Point，但如果有新的數(shù)據(jù)寫入后，這個方格需要進(jìn)一步被分拆成4個新的子方格，原來的Point在樹中的位置也發(fā)生了變化，因此，PR Quad Tree也無法直接應(yīng)用于HBase。

如果對PR Quad Tree進(jìn)行稍加改造：

將完整空間經(jīng)過X次迭代后，預(yù)先將其劃分成4^x個小方格。

所有的Point都必須存放在最小的方格中。

不限制每一個小方格中存放的Points的數(shù)量。

這樣，帶來了三點”確定性”：樹的層次是確定的，每一個小方格在樹中的訪問路徑是確定的，每一個Point所屬的小方格也是確定的。因此，只要我們存在一種方法，將每一個小方格的訪問路徑，映射成HBase的RowKey，就完美解決了時空Points數(shù)據(jù)存放在HBase中的問題，這種思路正是Spatial Filling Curve的核心思想。

我們提到了兩種常見的Spatial Filling Curve: Z-Order Curve與Hilbert Curve。評價一種Spatial Filling Curve的優(yōu)劣，有兩個關(guān)鍵的維度：

距離保留度：將二維空間對象映射成一維曲線后，兩個對象在二維區(qū)間上如果是相近的，那么，在一維曲線中也應(yīng)當(dāng)是相近的。一個更優(yōu)的曲線，理應(yīng)更大程度上在一維曲線中維持對象在二維空間上的距離，或者說，應(yīng)該有更高的距離保留度。對于查詢而言，更高的距離保留度，也往往意味著更高的Caching命中率。

編碼復(fù)雜度：可以簡單理解為將二維空間對象映射成一維曲線的計算復(fù)雜度。

Z-Order曲線在距離保留度上，略弱于Hilbert曲線，但在編碼復(fù)雜度上，卻比Hilbert曲線更低，這是GeoMesa選擇Z-Order曲線的關(guān)鍵原因。

References

R-trees: A Dynamic Index Structure for Spatial Searching
The R±Tree: A Dynamic Index For Multi-Dimensional Objects
https://www.geomesa.org/documentation/
https://github.com/davidmoten/rtree
https://en.wikipedia.org/wiki/Z-order_curve
https://www.slideshare.net/shakil0304003/b-tree-rtree
https://en.wikipedia.org/wiki/Quadtree
https://github.com/davidmoten/rtree
https://github.com/varunpant/Quadtree
Comparison of Advance Tree Data Structures
Space-Filling Curves An Introduction
A dive into spatial search algorithms
James Fogarty: K-D Trees and Quad Trees

https://en.wikipedia.org/wiki/Space-filling_curve
http://geohash.org
https://github.com/geomesa/geomesa-tutorials
https://en.wikipedia.org/wiki/Geohash
Spatial Keys – Memory Efficient GeoHashes
GeoServer: CQL And ECQL
GeoServer: ECQL Reference
GeoMesa: Scaling up Geospatial Analysis

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的HBase与时空索引技术的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。