MongoDB的一個特色就是具有豐富的查詢接口，比如地理位置查詢。

在地理位置查詢上，MongoDB有著比傳統關系型數據庫的優勢，下面舉個例子。

當前移動互聯網應用，按用戶離目標門店距離排序上的場景很多。

比如：

一張門店表shop_list，表結構字段包括shop_id，shop_name，lng，lat (門店id，門店名稱，以及門店的經緯度等)。

現收集到當前用戶的所處位置的經緯度是，經度116.30759，緯度40.05748。獲取距離用戶1000m以內的100家門店，按照距離從近到遠排序。

MySql的查詢語句如下：

SELECT shop_id,shop_name,lng,lat, ROUND(6378.138*2*ASIN(SQRT(POW(SIN((40.05748*PI()/180-lat*PI()/180)/2),2)+COS(40.05748*PI()/180)*COS(lat*PI()/180)*POW(SIN((116.30759*PI()/180-lng*PI()/180)/2),2)))*1000) ASdistanceFROMshop_listHAVING distance < 1000

ORDER BY distance LIMIT 100;

一個這樣的計算方法，顯然mysql性能比較差。

下面的這個計算方法更快一些，效果和上面的幾乎差不多，只是距離distance并不真實。如果只想按照距離排序查出結果是沒問題的。

SELECTshop_id ,

shop_name ,

lng ,

lat ,POWER(lat - 40.05748 , 2) + POWER(lng - 116.30759 , 2) * POWER(COS((lat + 40.05748) / 2) , 2) ASdistanceFROMshop_listHAVINGdistance< 1000

ORDER BYdistance

LIMIT100;

換做MongoDB會如何呢？

首先，要明確MongoDB在使用距離查詢時，存儲的經緯度結構要類似這樣才可以：

'point' : [116.299,

40.053]或者：'point': {'lng' : 116.299,'lat' : 40.053}

然后給經緯度的point做一個2dSphere索引。具體參考官方文檔：

db.shop_list.createIndex({"point":"2dsphere"})

第三個用法可以得出距離值：

#這個點的附近

db.shop_list.find({'point':{$nearSphere: [116.30759, 40.05748]}})

#這個點的附近1000米

db.shop_list.find({point: { $geoWithin: { $centerSphere:[[ 116.30759, 40.05748], 1000/6378137] } } })

#這個點的附近1000米的10個門店，并且有距離計算值

db.runCommand({ geoNear : "shop_list" , near :[116.30759, 40.05748], num : 10 , spherical:true, distanceMultiplier: 6378137, maxDistance:1000/6378137})

總結

以上是生活随笔為你收集整理的mongdb mysql geospatial 比较_MongoDB的地理位置查询，以及和mysql的使用对比的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。