Jak przechowywać linie i wielokąty w dokumentach JSON?

Patrząc na rosnący ruch NoSQL i biorąc pod uwagę, że bazy danych takie jak MongoDB oferują nową perspektywę elastycznego przechowywania danych dla GIS. Jaki jest najlepszy sposób przechowywania linii i wielokątów w dokumentach JSON, aby skorzystać z indeksów 2d i funkcji przestrzennych?

GeoJSON tutaj są specyfikacjami .

Oto przykład linii i wielokąta:

{ "type": "FeatureCollection",
  "features": [
    { "type": "Feature",
      "geometry": {"type": "Point", "coordinates": [102.0, 0.5]},
      "properties": {"prop0": "value0"}
      },
    { "type": "Feature",
      "geometry": {
        "type": "LineString",
        "coordinates": [
          [102.0, 0.0], [103.0, 1.0], [104.0, 0.0], [105.0, 1.0]
          ]
        },
      "properties": {
        "prop0": "value0",
        "prop1": 0.0
        }
      },
    { "type": "Feature",
       "geometry": {
         "type": "Polygon",
         "coordinates": [
           [ [100.0, 0.0], [101.0, 0.0], [101.0, 1.0],
             [100.0, 1.0], [100.0, 0.0] ]
           ]
       },
       "properties": {
         "prop0": "value0",
         "prop1": {"this": "that"}
         }
       }
     ]
   }

Należy zauważyć, że wsparcie MongoDB dla typów danych przestrzennych jest strasznie złe dla każdego poważnego wyszukiwania przestrzennego, i dotyczy to całej tablicy NoSQL przy ostatnim sprawdzeniu. GeoCouch trochę mi się nie podoba, ale wciąż jest jeszcze wiele do zrobienia.

GeoJSON to fantastyczny format, ale aby skorzystać z ograniczonych (TYLKO PUNKTOWYCH) indeksów przestrzennych w Mongo, potrzebujesz indeksowanej przestrzennie kolekcji zawierającej tylko rekord dla każdego z punktów wielokąta z dodatkową wartością dla identyfikatora rekordu twojego rekord przestrzenny żyjący w innej kolekcji, a następnie użyj kwerendy obwiedni, aby uzyskać identyfikatory rekordów z jednej i wybrać drugą, skutecznie emulując sprzężenie.

Możesz się zhakować i po prostu zrobić rogi ramki granicznej jako punkty dla swoich rekordów, ale wtedy wyszukiwania ramki granicznej mogą się nie powieść, a w sumie wymusza to dość nieefektywne wzorce projektowe i niewłaściwie spycha wszelkie obowiązki na programistę.

Jako implementację referencyjną możesz odnieść się do tego kodu, który został zaprezentowany na tegorocznym szczycie programistów Esri.

W ogóle nie byłem zadowolony ze wsparcia przestrzennego w różnych bazach danych NoSQL. Przechodzą tylko wystarczająco daleko, by wyszukać głupie chmury punktów, co ma sens, biorąc pod uwagę, że większość aplikacji używających tego typu upuszcza pinezki na mapie Google w przeglądarce. PostGIS nadal będzie najlepszym koniem roboczym typu open source do zarządzania informacjami przestrzennymi w dającej się przewidzieć przyszłości.

To po prostu nieprawda,

„aby skorzystać z indeksów przestrzennych w Mongo, potrzebujesz kolekcji indeksowanej przestrzennie zawierającej tylko zapis dla każdego punktu wielokąta, z dodatkową wartością identyfikatora rekordu rekordu przestrzennego mieszkającego w innej kolekcji, a następnie użyj zapytanie pola ograniczającego, aby uzyskać identyfikatory rekordów z jednej [kolekcji] i wybrać [nagrać dane] z drugiej [kolekcji], skutecznie emulując sprzężenie. ”

Mam dane punktów USGS przechowywane w jednej kolekcji Mongo z rekordami, które wyglądają tak:

> db.names.find({FEATURE_NAME: 'Mount Saint Helens', STATE_ALPHA: 'WA'})       
{ "_id" : ObjectId("4e262106d7a99b7db41a4919"), 
"_ID" : 1525360, 
"FEATURE_NAME" : "Mount Saint Helens", 
"FEATURE_CLASS" : "Summit", 
"STATE_ALPHA" : "WA", 
"STATE_FIPS" : 53, 
"COUNTY_NAME" : "Skamania", 
"COUNTY_FIPS" : "059", 
"COORDS" : [ -122.1944, 46.1912 ], 
"ELEV_IN_FT" : "8356" }

Jestem w stanie wykonać zapytania o pola ograniczające na tych danych, które zwracają cały rekord (bez potrzeby kolejnej kolekcji).

Pytanie:

> box = [[-126.562500,45.089036], [-123.750000,47.040182]]
[ [ -126.5625, 45.089036 ], [ -123.75, 47.040182 ] ]
> db.names.find({"COORDS" : {"$within" : {"$box" : box}}, FEATURE_CLASS: "Summit"}, {FEATURE_NAME: true, COUNTY_NAME: true, STATE_ALPHA: true, ELEV_IN_FEET: true}).limit(5);

Odpowiedź:

{ "_id" : ObjectId("4e2620f8d7a99b7db4146cec"), "FEATURE_NAME" : "Harlocker Hill", "STATE_ALPHA" : "OR", "COUNTY_NAME" : "Coos" }
{ "_id" : ObjectId("4e2620f8d7a99b7db414a349"), "FEATURE_NAME" : "Neskowin Crest", "STATE_ALPHA" : "OR", "COUNTY_NAME" : "Tillamook" }
{ "_id" : ObjectId("4e2620f8d7a99b7db414a105"), "FEATURE_NAME" : "Miles Mountain", "STATE_ALPHA" : "OR", "COUNTY_NAME" : "Tillamook" }
{ "_id" : ObjectId("4e2620f8d7a99b7db414934a"), "FEATURE_NAME" : "Mount Gauldy", "STATE_ALPHA" : "OR", "COUNTY_NAME" : "Tillamook" }
{ "_id" : ObjectId("4e2620f8d7a99b7db4149d06"), "FEATURE_NAME" : "Little Hebo", "STATE_ALPHA" : "OR", "COUNTY_NAME" : "Yamhill" }

Mongo zapewnia także możliwość wyszukiwania najbliższych sąsiadów, a także wyszukiwania wielokątów. Jest to dobrze udokumentowane na mongodb.org