第３８卷第１期 测绘科学 ＶｏＬ ３８ Ｎｏ．１

Ｓｃｉｅｎｃｅ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ Ｊａｎ．

２０１３年０１月

一种基于ＮｏＳＱＬ的地图瓦片数据存储技术

陈超①②，王亮①，闰浩文②，仇阿根①。李玉祥①。朱芳菲①
（①中国测绘科学研究院，北京１０００３９；②兰州交通大学数理与软件－ｒ程学院，兰州７３００７０）

【摘要】本文首先介绍了ＮｏＳＱＬ（非关系型数据库）的起源与发展，对比其与关系型数据库的优缺点，提出了基
于ＮｏＳＱＬ的地图瓦片数据存储策略，通过实验对比分析了面向文档型的ＮｏＳＱＬ数据库产品Ｍｏｎｇｏ ＤＢ与ＳＱＬ Ｓｅｒｖ－
ｅｒ ２０００在瓦片入库与并发访问性能上的差异。研究结果表明，Ｍｏｎｇｏ ＤＢ在海量空间数据存储与并发访问方面具

有明显的高效性。
【关键词】ＮｏＳＱＬ；地图瓦片；Ｍｏｎｇｏ ＤＢ；四叉树；ＳＱＬ Ｓｅｒｖｅｒ ２０００

【中图分类号】Ｐ２０８ 【文献标识码】Ａ 【文章编号】１００９－２３０７（２０１３）０１４）１４２－０３

２．２ ＮｏＳＱＬ与关系型数据库的比较
ｌ 引言
ＮｏＳＱＬ与关系型数据库的比较如下：
随着互联网技术的发展，地图的使用被赋予了一种全 １）关系型数据库是高度结构化的ｐ１，通常由表或视图
新的方式。网络地图也作为新一代的地图产品脱颖而出， 里的字段构成，这些表都存储一些格式化的数据结构，并
特别是随着瓦片…（Ｔｉｌｅ）的概念被提出以来，利用金字塔 且每个元组的字段组成都一样。ＮｏＳＱＬ数据库通常存储的
模型缓存地图瓦片的模式代替传统ＷｅｂＧＩＳ地图模式构建 是一对键值或数组（Ｔｕｐｌｅｓ），它允许创建许多不同类型的
ＷｅｂＧＩＳ地图框架，大大提高了网络地图的响应速度，具有 非结构化的或任意格式的字段，从一定意义上来说，具有
良好的用户体验。然而，这些海量数据能否被高效的访问， 减少时间和空间的开销。
是影响ＷｅｂＧＩＳ性能的重要因素。 ２）关系型数据库通常被部署在高性能的服务器上，价
为了提高地图切片（也叫瓦片）的访问效率，目前大多 格比较昂贵。部署在多台服务器上的关系型数据库，为了
数的解决办法是建立空间索引机制，优化查询等方法。然 保持数据同步，通过依赖互相复制的方法来实现。ＮｏＳＱＬ
而，这些方法都没有很好地解决访问效率的问题。由于在 数据库通常使用廉价服务器集群来管理暴增的数据与事务
实际应用中，用户对于数据库高并发读写的需求、对海量 规模，如果有需要只要多增加站点就可以解决，不会影响
数据的高效率存储和访问的需求、对数据库的高可扩展性 到服务的提供。
和高可用性的需求等，传统关系型数据库在这些方面已经 ３）ＮｏＳＱＬ松散的存储结构可以使得数据的存储更加灵
难以胜任。论文提出基于非关系型数据库（ＮｏＳＱＬ）的地图 活和方便，但却很难实现数据的完整性。需要注意的是，
图片存储方案，并对此方案进行实现。 这一不足在Ｗｅｂ ２．０的很多应用中并不很重要，因为很多
Ｗｅｂ实时系统并不要求严格的数据库事务，对读一致性要
２非关系型数据库（ＮｏＳＱＬ）的概述 求很低，有些场合对写一致性要求也不高。
２．１ ＮｏＳＱＬ的起源与发展 ４）到目前为止，ＮｏＳＱＬ一般都是以开源的形式存在，
ＮｏＳＱＬ的发展最早可以追溯到１９９１年Ｂｅｒｋｅｌｅｙ ＤＢ第 它们缺乏供应商技术人员的正式支持。关系型数据库大多
一版的发布。Ｂｅｒｋｅｌｅｙ ＤＢ是一个Ｋｅｙ／Ｖａｌｕｅ（键／值）类型的 是商业性质的，有很好的售后技术支持和服务，可以很好
Ｈａｓｈ数据库。这种类型的数据库适用于数据类型相对简 地保证产品的稳定性。
单，但需要极高的插入和读取速度的嵌入式场合旧－。Ｎｏ－ 通过上述的比较我们可以看出，与传统的关系型数据
ＳＱＬ是一种非关系型的数据存储，它不需要固定的表结构， 库相比，ＮｏＳＱＬ非关系型数据库具有存储模式自由、高可
这种数据存储也不会表现出表之间的连接操作。典型的Ｎｏ－ 扩展性、高并发读写等优势，但也存在着一些诸如实现数
ＳＱＬ数据库以ｋｅｙ－ｖａｌｕｅｓ的形式存储数据，具有模式自由的 据完整性、缺乏强有力的技术支持等问题。
特点。 ２．３ ＮｏＳＱＬ数据库的产品
随着Ｗｅｂ２．０技术的兴起，传统的关系型数据库在性能 ＮｏＳＱＬ基本都是基于Ｋｅｙ—ｖａｌｕｅｓ的形式进行存储，它
上似乎遇到了瓶颈问题，对于用户对数据库高并发的读写 是很多非关系型数据存储的集合的总称。我们可以把Ｎｏ．
要求，特别是超大规模和高并发的ＳＮＳ类型的ｗｅｂ ２．０纯 ＳＱＬ分为以下几种类型：
动态网站的时候更显得不能胜任，这时候非关系型数据库 表１ ＮｏＳＱＬ数据库类型
应运而生。很多大公司基于ＮｏＳＱＬ的概念开发出了很多实 数据存储方式 ＮｏＳＱＬ数据库类型
际可用的数据库，例如，具有代表性的：Ａｐａｃｈｅ的Ｈｂａｓｅ， Ｗｉｄｅ Ｃｏｌｕｌｌｍ Ｓｔｏｒｅ／Ｃｏｌｕｍｎ Ｆａｍｉｌｉｅｓ： Ｈａｄｏｏｐ／ＨＢａｓｅ、Ｈｙｐｅｒｔａｂｌｅ
Ａｍａｚｏｎ的Ｄｙｎａｍｏ等都取得了显著的应用成效。
Ｄｏｃｕｍｅｎｔ Ｓｔｏｍ： ＣｏｕｃｂＤＢ、ＭｏｎｇＤＤＢ

Ｋｅｙ Ｖａｌｕｅ／Ｔｕｐｌｅ Ｓｔｏｒｅ： ＢｅｒｋｅｌｅｙＤＢ、Ｒｅｄｉｓ、Ｔｏｋｙｏ Ｃａｂｉｎｅｔ

Ｅｖｅｎｔｕａｌｌｙ Ｃｏｎｓｉｓｔｅｎｔ Ｋｅｙ Ｖａｌｕｅ Ｓｔｏｒｅ： Ａｍａｚｏｎ Ｄｙｎａｍｏ、Ｄｙｎｏｍｉｔｅ

作者简介：陈超（１９８６－），男，云南曲
靖人，在读研究生，主要研究方向为地
通过上述几种类型，我们大概可以把ＮｏＳＱＬ分为两大
理信息系统开发与应用、ＷｅｂＧＩＳ等。
类：面向文档的ＮｏＳＱＬ和键值ＮｏＳＱＬ。
Ｅ．ｍａｉｌ：ｅｖｅｄｅｎｅ＠１６３．ｃｏｍ
１）面向文档的ＮｏＳＱＬ
面向文档的ＮｏＳＱＬ有Ｃｏｕｃｈ ＤＢ、Ｍｏｎｇｏ ＤＢ等，其中，
收稿日期：２０１１－５－２０
Ｍｏｎｇｏ ＤＢ是一种基于ＪＳＯＮ的面向文档的数据库，数据以
基金项目：公益院属基本科研业务费基
ＢＳＯＮ格式组织成一个文档，存储在一个集合里¨Ｊ。Ｍｏｎｇｏ
金项目（７７７１０１４） ＤＢ可以将异构数据存储在同一个数据库中，同时其每个数

万方数据
 第１期 陈超等一种基于ＮｏＳＱＬ的地图瓦片数据存储技术 １４３

据集合中可以包括不同类型的数据，具有很高的访问效率。
ＭｏｎｇｏＤＢ自带一个分布式文件系统口Ｊ，用来支持海量数据
的存储；此外，Ｍｏｎｇｏ ＤＢ还支持动态查询、完全索引；支
持复制和故障恢复；自动处理碎片，以及支持云计算层次
的扩展性等。
２）键值ＮｏＳＱＬ
键值ＮｏＳＱＬ有Ｂｅｒｋｅｌｅｙ ＤＢ¨Ｊ，Ｒｅｄｉｓ等，其中，Ｂｅｒｋｅ－
ｌｅｙ ＤＢ是一种功能强大、可处理海量数据、支持高并发性
程中为每一图块建立索引。下面分别介绍基于这两种数据
库的瓦片存储。
１）基于Ｍｏｎｇｏ ＤＢ的瓦片存储
利用Ｍｏｎｇｏ ＤＢ可以存储海量数据、自动分片，以及在
系统重启之后，其搭建的持久化缓存层可以避免下层的数
据源过载的特性，我们将预生成的图片存储于Ｍｏｎｇｏ ＤＢ
中，并在存储过程中分别为每张图片建立索引。由于Ｍｏｗ
ｇｏ ＤＢ在３２位的操作系统上，每个数据库文件的大小最大

和多样性扩展的键值数据库。它可以保存任意类型的键／值 只能为２ＧＢ，而在６４位的操作系统上则没有限制Ｈ Ｊ，于是

对，而且可以为一个键保存多个数据。Ｂｅｒｋｅｌｅｙ Ｄ．Ｓ其函数 我们把数据库文件控制为２Ｇ左右的大小。下面给出利用
库只有３００ＫＢ左右，却能管理高达２５６ ＴＢ的数据。Ｂｅｒｋｅ． Ｊａｖａ语言连接Ｍｏｎｇｏ ＤＢ的关键代码：
１ｅｙ ＤＢ不支持复杂的ＳＱＬ语言，从而避免了大量解析和处 ｍ＝
Ｍｏｎｇｏ ｎｅｗ Ｍｏｎｇｏ（”１９２．１６８．１０．１２５”，
理的开销，它适用于嵌入式应用旧１、实时系统等。 ２７０１７）；／／建立连接
ＤＢ ｄｂ ＝
毗ｇｅｔＤＢ（”ＩｍａｇｅＤＢ０”）； ／／获取数
３地图瓦片数据存储方案
据库，如果没有则创建一个
”

在实际应用中我们发现，地图数据以海量著称。如何 ＤＢＣｏｌｌｅｅｔｉｏｎ ｅｏｌｌ ＝ｄｂ．ｇｅｔＣｏｌｌｅｅｔｉｏｎ （

有效地组织地图数据，从而使其被高效的访问，是我们必
须考虑的问题。在ＷｅｂＧＩＳ中，客户端经常向服务器发送地
图图形数据的请求，为了便于传输和减轻服务器端的压
力¨Ｊ，我们可以建立金字塔式的地图图形瓦片，将瓦片存
储在ＮｏＳＱＬ中，并建立服务器端缓存。客户端只需到缓存
中下载需要的图片。
３．１四叉树切割地图
首先，我们需要对原始数据进行配准和坐标转换。由
于我国属于东西延伸的中纬度地区哺１，除１：１０００ ０００之外
的基本比例尺地形图，均采用横轴墨卡托投影，这也是Ｙａ．
ｂｏｏ及国内众多在线地图服务的数据源投影选择的依据。然
ｉｍａｇｅＣｏｌｅｃｆｉｏｎＯ”）；／／获得一个集合
ＢａｓｉｅＤＢＯｂｊｅｃｔ ｒｅｃｏｒｄ＝ｎｅｗ ＢａｓｉｅＤＢＯｂｊｅｃｔ（）；
ｒｅｃｏｒｄ．ｐｕｔ（”ｍａｐ＿ｉｄ”，ｉｄ）；
ｒｅｃｏｒｄ．ｐｕｔ（”Ｄａｔａ”，ｆｉｌｅＳｉｚｅ）；
ｃｏｉｌ．ｉｎｓｅｒｔ（ｒｅｃｏｒｄ）； ／／使用ｉｎｓｅｒｔ方法插入到数据
库中
２）基于ＳＱＬ Ｓｅｒｖｅｒ ２０００的瓦片存储
为了便于访问，我们将同一层的数据放在同一张表中，
并为每一图块建立索引。下面给出利用Ｊａｖａ语言连接ＳＱＬ
Ｓｅｒｖｅｒ ２０００的关键代码：
ｊｄｂｃ：
”

ｅｏｒｍｅｃｔｉｏｎＵｒｌ ＝ ｓｑ］ｓｅｒｖｅｒ：／／
后，从左上角开始进行切图，每张瓦片的大小为２５６×２５６。 Ｓｔｒｉｎｇ
１９２．１６８．１０．１２５：１４３３：”＋
以后不同等级地图之间采用四叉树分图法，即分辨率每增
＝
”ｄａｔａｂａｓｅＮａｌｎｅ ＝ＴｉｌｅＤＢ：ｕｓｅｒ ｍａ；ｐａｓｓｗｏｒｄ
加一级，第￡级上的一张瓦片到第￡＋１级将裂变成４张。
裂变后每一子块采用的编码规则是：按照每一子块裂变成４ ＝ｓａ；”；

Ｃｌａｓｓ．ｆｏｒＮａｍｅ（”ＣＯＩＩＬ ｍｉｃｒｏｓｏｆｔ． ｓｑｌｓｅｒｖｅｒ． ｊｄｂｃ．

块，左上、右上、左下、右下，分别用ｚ、菇、”、ｔ表示。
每一子块的编码便是，子块所属父块的编码加上子块在父 ＳＱＬＳｅｒｖｅｒＤｒｉｖｅｒ”）；
Ｃｏｎｎｅｃｔｉｏｎ ｃｏｎ＝＝ＤｆｉｖｅｒＭａｎａｇｅｒ．ｇｅｔＣｏｎｎｅｅｔｉｏｎ ｆ ｃｏｎ—
块中的编号，如图ｌ所示。
在需要显示某个范围的 ｎｅｅｔｉｏｎＵｒｌ）；
地图时，我们根据如下所示
的地理坐标与图片位置正反 ４实验
算公式，即可计算出需要哪
第２缎
些图片。然后，利用客户端 ・＜：＝＝＝＝＝＝３ 为了对基于ＮｏＳＱＬ的瓦片存储策略，以及并发访问特
技术将这些图片无缝地拼接 性进行性能分析，我们搭建了如下的实验环境。在局域网
图１四叉树切割图 内，我们把数据库服务器部署在一台ＣＰＵ为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ
在一起，即可得到用户所需
要的地图。 （ＴＭ）２ ＣＰＵ ３．００ＧＨＺ，内存３．２５Ｇ，操作系统为Ｗｉｎｄｏｗｓ
Ｓｅｒｖｅｒ ２００３的台式机上；客户端的配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ
第Ｌ级Ｆ笫ｉ行Ｊ列位置切片的地理坐标范围计算公式
如下： （ＴＭ）２ ＣＰＵ ３．００ ＧＨＺ，内存３．２５Ｇ，操作系统为Ｗｉｎｄｏｗｓ
ＸＰ的台式机上进行存储实验。由客户端向服务器端发出连
ｃｕｒ删ｉｎ＝ＸＭｉｎ＋Ｊ×者扣， 接请求，分别利用Ｍｏｎｇｏ ＤＢ １．８．１、ＳＱＬ Ｓｅｒｖｅｒ ２０００进行
对比存储，并把数据储存在服务器端。我们预先生成了十
ｃｕｒＸＭａｘ＝ＸＭｉｎ＋（』＋１）×者知 （１）
二层数据，每层（Ｌ）数据有２Ｌ。。×２。’张图片，平均每张图
片大小为２５ｋ。预生成的８层、ｌＯ层、１２层数据量大小分
ｃｕｒＹＭｉｎ＝ｙＭ强一（“１）×煮簪， 别为：１８７ＭＢ、８５９ＭＢ、５．４９ＧＢ，得出如图２所示的图表
（取３次实验后的平均结果）。同时，我们测试了两个数据
ｃｕｒⅢａｘ＝Ⅲ觚一×煮知 （２） 库的并发访问性能，得出如图３所示的图表。

ｔ『：『掌×ｍ×妒－－１（３）
５０００ １ ６０００００
已知地理坐标计算出瓦片的行列号，公式如下： ４ ５００
５００ ０００
４ｔ１００

ｉ：『旦堂｝１×ｎ×≯一ｔ１ ３ ５００
３ ０００
４００ ０００

２ ５００ ３０００００
其中，假设地图等级为从１开始、行列数为从０开始 ２０００
ｌ ５００ ２００ ０００
的整数；地图范围的极值用ＸＭｉｎ，ＸＭａｘ，ＹＭｉｎ，ＹＭａｘ表 １ ０００
ｌ０００００
示；血表示横坐标差，衄表示纵坐标差，ｒ表示向上取 ５００
０ ，０
整。设第一个等级地图为ｍ行ｎ列，则第Ｌ级的地图行列 ８层 １０屡 １２层

数为：行数：ｍ×２。１，列数：ｎｘ２。１（￡≥１）。 图２瓦片入库时间 图３并发访问

３．２瓦片存储 对比图 测试图
将切割后的地图瓦片以金字塔的形式进行组织，分别
利用Ｍｏｎｇｏ ＤＢ和ＳＱＬ Ｓｅｒｖｅｒ ２０００进行存储，并在存储的过 （下转第１５９页）

万方数据
 第１期 刘涛等空间线群目标方向相似度计算模型 １５９

论的补充和完善。论文依据风向玫瑰图的基本原理，在对 学出版社．２００６－０２第一版：１００－１１３．
空间线群目标的方向特征进行统计制作方向玫瑰图的基础 ［４］ 王新生．浅谈风玫瑰图在城市规划中的应用［Ｊ］．武测
上，提出了３种线群目标的方向相似度计算模型，指出各 科技，１９９４，（３）：３５—３８．
模型的适用范围和优缺点，并以实验对三种计算模型进行 ［５］ Ｈ Ｆｒｅｅｍａｎ，Ｒ Ｓｈａｐｉｒａ．Ｄｅｔｅｒｍｉｎｉｎｇ ｔｈｅ Ｍｉｎｉｍｕｍ—Ａｒｅａ

了验证和分析。实验表明论文所提算法比较符合人们的视 Ｅｎｃａｓｉｎｇ Ｒｅｃｔａｎｇｌｅ ｆｏｒ ａｎ Ａｒｂｉｔｒａｒｙ Ｃｌｏｓｅｄ Ｃｕｒｖｅ［Ｊ］．

觉认知习惯，可用于各种情况下线群目标的方向相似度计 Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，１９７５，１８（７）：４０９４１３．

算。论文所提算法只考虑了线群目标的几何特征，进一步 ［６］ 王宝军．基于标准差椭圆法ＳＥＭ图像颗粒定向研究

的工作考虑加入语义信息的线群目标方向相似度的计算。 原理与方法［Ｊ］．岩土工程学报，２００９，３１（７）．
［７］ 郝燕玲，唐文静，赵玉新，等．基于空间相似性的面实
参考文献
体匹配算法研究［Ｊ］．测绘学报，２００８，３７（４）．
［１］ Ｇｏｙａｌ Ｒ Ｋ．Ｓｉｍｉｌａｒｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｂｅｔｗｅｅｎ ｃａｒｄｉｎａｌ ｄｉｒｅｃ— ［８： Ｍ Ｓｔｒｉｃｋｅｒ，Ｍ Ｏｒｅｎｇｏ．Ｓｉｍｉｌａｒｉｔｙ ｏｆ ｃｏｌｏｒ ｉｍａｇｅｓ，ＳＰＩＥ９５，

ｔｉｏｎｓＩ ＤＩ．Ｐｈ Ｄ．Ｔｈｅｓｉｓ，Ｏｒｏｎｏ：ＮＣＧＩＳ，Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｓａｎ Ｊｏｓｅ：１—１２

ｓｐａｔｉａｌ ｉｎｆｏｒｍａｔｉｏｎ ｓｃｉｅｎｃｅ ａｎｄ ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ［９］ 张建方，王秀祥．直方图理论与最优直方图制作［Ｊ］．

Ｍａｉｎｅ，２０００． 应用概率统计，２００９，２５（２）：２０１．２１４．
［２］ 郭黎，崔铁军，郑海鹰，等．基于空间方向相似性的面 ［１０］张青年．顾及密度差异的河系简化［Ｊ］．测绘学报，
状矢量空间数据匹配算法［Ｊ］．测绘科学技术学报， ２００６，３５（２）：１９１—１９６．
２００８，２５（５）：３８０－３８２． ［１１］郭庆胜，黄远林，郑春燕，蔡永香．空问推理与渐进式
［３］ 郭庆胜、杜晓初、闫卫阳．地理空问推理［Ｍ］．北京：科 地图综合［Ｍ］．武汉：武汉大学出版社．２００７：７３－７６．

Ｄｉｒｅｃｔｉｏｎ ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｓｐａｔｉａｌ ｌｉｎｅ ｇｒｏｕｐｓ

Ａｂｓｔｒａｃｔ：Ｔｈｒｅｅ ｄｉｒｅｃｔｉｏｎ ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ ｍｏｄｅｌｓ ｏｆ ｓｐａｔｉａｌ ｌｉｎｅ ｇｒｏｕｐｓ ｗｅｒｅ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｓｐａｔｉａｌ ｌｉｎｅ ｏｂｊｅｃｔｓ’ｄｉ—
ｒｅｃｔｉｏｎａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｗｅｒｅ ｃｏｕｎｔｅｄ ａｎｄ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｄｉｒｅｃｔｉｏｎ ｒｏｓｅｔｔｅ ｈｉｓｔｏｇｒａｍ Ｗａｓ ｂｕｉｌｔ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｐｒｉｎｃｉｐｌｅ ｏｆ ｗｉｎｄ

ｒｏｓｅ．Ｔｈｅｎ ｔｈｅ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎａｌ ｅｌｌｉｐｓｅ ａｎｄ ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ ｗｅｒｅ ｂｕｉｈ ｏｎ ｔｈｉｓ ｂａｓｉｓ．Ｔｈｅ ｄｉｒｅｃｔｉｏｎ ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ ｍｏｄｅｌｓ

ｂａｓｅｄ ｏｎ ｒｏｓｅｔｔｅ ｈｉｓｔｏｇｒａｍ，ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎａｌ ｅｌｌｉｐｓｅ，ａｎｄ ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ ｗｅｒｅ ｂｕｉｌｔ ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈ ｗｅｒｅ ｖｅｒｉｆｉｅｄ ｂｙ ｔｈｅ

ｅｘｐｅｒｉｍｅｎｔ ｆｉｎａｌｌｙ．
Ｋｅｙ ｗｏｒｄｓ：ｓｐａｔｉａｌ ｌｉｎｅ ｇｒｏｕｐｓ；ｄｉｒｅｃｔｉｏｎ ｓｉｍｉｌａｒｉｔｙ；ｗｉｎｄ ｒｏｓｅ；ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎａｌ ｅｌｌｉｐｓｅ；ｓｔａｔｉｓｔｉｃａｌ ｈｉｓｔｏｇｒａｍ
ＬＩＵ Ｔａｏ，ＹＡＮＧ Ｓｈｕ—ｗｅｎ，ＬＩ Ｙｉ—ｋｕｎ，ＤＵＡＮ Ｈｕａｎ—ｅ（Ｆａｃｕｌｔｙ ｏｆ Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ，Ｌａｎｚｈｏｕ Ｊｉａｏｔｏｎｇ
Ｕｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ ７３００７０，Ｃｈｉｎａ）

（上接第１４３页） 海量空问数据缓存置换策略［Ｊ］．武汉大学学报．信息
其中，图２中横轴代表瓦片层数，纵轴代表入库所用时 科学版，２００９，３４（６）：６６７－６６８．
间（单位为秒）。从上图可以看出，随着数据量的不断增大， 心２ 范凯．ＮｏＳＱＬ数据库综述［Ｊ］．程序员，２０１０，（６）：

１ｊ
ＤＢ插入数据量的高效性。在图３中，横轴代表线程
Ｍｏｎｇｏ ７６—７８．

并发访问数，纵轴代表每并发平均访问时间（单位为毫秒）， ｂ３ 萨师煊，王珊．数据库系统概论（第３版）［Ｍ］．北京：
从中我们可以看出随着并发用户的增加Ｍｏｎｇｏ ＤＢ所体现的 高等教育出版社，２０００：９—１０．
高并发访问特性。 Ｈ４ Ｍｏｎｇｏ ＤＢ官方主页［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｍｏｎｇｏｄｈ ｏｒｇ／

ｂ５ Ｃｈａｎｇ Ｆ。Ｄｅａｎ Ｊ．Ｅｔａｌ Ｓ．Ｂｉｇｔａｂｌｅ：Ａ Ｄｉｓｔｒｉｂｕｔｅｄ Ｓｔｏｒａｇｅ

５结束语
Ｓｙｓｔｅｍ ｆｏｒ Ｓｔｒｕｃｔｕｒｅｄ Ｄａｔａ［Ｊ］．ＡＣＭ Ｔｒａｎｓ．Ｃｏｍｐｕｔｅｒ

本文针对ＮｏＳＱＬ独特高效的体系结构、存储机制、索引 Ｓｙｓｔｅｍ，２００８，２６（２）：ｌ－２６．
特点等关键技术，进行了深入研究。重点讨论了利用Ｍｏｎｇｏ №６ 刘巍巍，徐成，李仁发．嵌入式数据库Ｂｅｒｋｅｌｅｙ ＤＢ的
ＤＢ、ＳＱＬ Ｓｅｒｖｅｒ ２０００进行瓦片数据的存储，并通过实验对其 原理与应用［Ｊ］．科学技术与工程，２００５，５（２）：８６—８７．

１Ｊ］ｉ
高效性进行了验证，以期为满足日后各种基于ＮｏＳＱＬ的应用 口７ 李浩松，朱欣焰，李京伟，等．ＷｅｂＧＩＳ空间数据分布式
开发带来一定的启发。同时，如何利用Ｍｏｎｇｏ ＤＢ自带的分 缓存技术研究［Ｊ］．武汉大学学报信息科学版，２００５，３０
布式文件系统（ＧｒｉｄＦＳ）进行海量影像数据的高效管理等问 （１２）：１０９２—１０９５．
题，有待进一步深入研究。 哺８ 王金鑫．地理空间数据生产网络的体系结构与关键技
术［Ｊ］．测绘科学，２０１０，３５（２）．
参考文献
汐９ １Ｊ 李建松．地理信息系统原理［Ｍ］．武汉：武汉大学出版
［１］ 王浩，喻占武，曾武，等．基于瓦片寿命和访问热度的 社，２００６：６４－６７．

Ａ ｍａｐ ｔｉｌｅｓ ｄａｔａ ｓｔｏｒａｇｅ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ＮｏＳＱＬ

Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｄｅｓｃｒｉｂｅｄ ｔｈｅ ｏｒｉｇｉｎ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ＮｏＳＱＬ，ｃｏｍｐａｒｅｄ ｔｈｅ ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ ｗｉｔｈ ｒｅｌａｔｉｏｎａｌ
ｄａｔａｂａｓｅ，ａｎｄ ｆｏｒｗａｒｄ ｔｈｅ ｓｔｒａｔｅｇｙ ｏｆ ｍａｐ ｔｉｌｅ ｄａｔａ ｓｔｏｒａｇｅ ｂａｓｅｄ ｏｎ ＮｏＳＱＬ Ｅｘｐｅｒｉｍｅｎｔ Ｗａｓ ｃａｒｒｉｅｄ ｏｕｔ ｔｈｅ ｔｙｐｅ ｏｆ ｄｏｃｕｍｅｎｔ－
ｏｎ
ｐｕｔ
ａｎｄ Ｓｅｒｖｅｒ ２０００，ａｎｄ ｃｏｍｐａｒａｔｉｖｅ ａｎａｌｙｓｉｓ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅｓ ｂｅｔｗｅｅｎ ｔｈｅｍ ｉｎ ｔｈｅ
ｏｒｉｅｎｔｅｄ ＮｏＳＱＬ ｄａｔａｂａｓｅ ｐｒｏｄｕｃｔｓ Ｍｏｎｇｏ ＤＢ ＳＱＬ ｏｎ

ｔｉｌｅ ｓｔｏｒａｇｅ ａｎｄ ｅｏｎｃｕｒｒｅｎｔ ａｃｃｅｓｓ

ｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅ ｒｅｓｕｌｔ ｃｏｕｌｄ ｃｏｎｆｉｒｍ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ Ｍｏｎｇｏ ＤＢ ｉｎ ｔｈｅ ｍａｓｓ ｄａｔａ ｓｔｏｒａｇｅ ａｎｄ ｃｏｎ—

ｃｕｒｒｅｎｔ ａｃｃｅｓｓ．

Ｋｅｙ ｗｏｒｄｓ：ＮｏＳＱＬ；ｍａｐ ｔｉｌｅｓ；Ｍｏｎｇｏ ＤＢ；ｑｕａｄｔｒｅｅ；ＳＱＬ Ｓｅｒｖｅｒ ２０００

ＣＨＥＮ Ｃｈ∞①②。ＷＡＮＧ Ｌｉａｎｇ①，ＹＡＮ Ｈａｏ—ｗｅｎ②，ＱＩＵ Ａ－ｇｅｎ①，Ｉｄ Ｙｕ—ｘｉａｎｇ①，ＺＨＵ Ｆａｎｇ－ｆｅｉ①（＠Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｕｒｖｅｙ—
１０００３９，Ｃｈｉｎａ；＠Ｓｃｈｏｏｌ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ，Ｐｈｙｓｉｃｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，１．ａｎｚｈｏｕ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉ－
ｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ，Ｂｅｉｊｉｎｇ

ｔｙ。Ｌａｎｚｈｏｕ ７３００７０，Ｃｈｉｎａ）

万方数据