我正在尝试理解RTree算法的基础知识，并且我试图弄清楚它如何执行搜索例如距离1公里范围内的所有零售商。我们将把所有对象存储在我们数据库中的矩形中，然后我们会（可能）根据我们当前的位置构建一个查询矩形，然后找到与它重叠的所有矩形。然后我们扫描结果以找到感兴趣的结果，即只有作为餐馆的对象？
答案 0 :(得分：4)
是的，这基本上是对R树上 range 查询的工作方式：如果矩形与查询区域重叠，请展开它（查看内容，矩形或点）。否则，忽略它。对于矩形到矩形，重叠测试很简单，对于球形查询，您需要计算球体中心与矩形的最小距离（“minDist”）。
k最近邻查询有点棘手;在这里你需要优先队列。始终扩展最佳候选者（通过“minDist”），直到找到比下一个矩形“minDist”更近的k个对象。
由于您无法真正索引“是餐馆”属性，因此您必须构建仅包含餐馆的r树，或者按餐馆属性过滤结果。 （这也是如何在例如SQLite中完成的;空间部分用R树索引，而餐厅属性例如通过连接或位图索引获得）
R树的棘手部分是不查询，但是如何构建它。批量加载点数据（STR）有非常简单但很好的方法，但对于在线数据库，您需要一些棘手的方法。根据我的经验，R * -tree显着优于经典的R树; R * -trees使用的重新插入在真正的DBMS中特别棘手。一个有趣的权衡是只使用R *中的插入和拆分，而不是重新插入。在查询方面，无论如何R和R *之间没有区别。
kd-trees：它们与r-tree相关，但有一些关键区别：首先，它们不是为磁盘存储而设计的，而是仅用于内存操作。其次，它们不是要更新（它们不是平衡的树），但是如果你有变化，你将不得不再次重建它们以保持性能良好。所以在某些情况下它们会表现得非常好（并且它们实现起来相当简单），但是一旦你获得大数据和磁盘，它们就会更加痛苦。此外，他们不允许不同的加载策略。