Spring Data MongoDB聚合查询与地理空间数据处理实战：从基础到复杂场景的探索
大家好，作为一名常年和数据库打交道的开发者，我发现在处理非关系型数据时，MongoDB的聚合框架和地理空间功能简直是“神器”。尤其是在Spring Data MongoDB的加持下，原本略显复杂的操作变得优雅而高效。今天，我就结合自己最近做的一个“附近门店搜索与数据统计”项目，来和大家深入聊聊Spring Data MongoDB的聚合查询与地理空间数据处理。我会分享一些核心代码、实战步骤，当然也少不了那些让我“掉过坑”的经验。
一、环境搭建与数据模型设计
首先，我们得有个战场。确保你的项目引入了Spring Boot Starter Data MongoDB。我的实体类设计如下，核心是包含地理空间坐标的`location`字段，它必须是`GeoJsonPoint`类型，这是Spring Data MongoDB提供的便捷包装。
@Document(collection = "stores")
@Data // 使用Lombok
public class Store {
@Id
private String id;
private String name;
private String category; // 如：“餐饮”、“零售”
private Double rating;
private GeoJsonPoint location; // 关键：地理空间点
private Integer salesVolume;
}
踩坑提示一：在向MongoDB插入`GeoJsonPoint`数据时，坐标顺序是[经度, 纬度]，即`longitude, latitude`。这个顺序和很多地图API（如Google Maps）是反的，我当初就在这里卡了半天，查出的位置全在奇怪的地方。
二、基础地理空间查询：寻找附近的点
Spring Data Repository提供了非常简洁的方法命名查询。比如，要查找距离某个坐标5公里内，评分高于4.0的所有门店：
public interface StoreRepository extends MongoRepository {
// $near 查询，返回结果默认按距离排序
List findByLocationNearAndRatingGreaterThan(
Point point, Distance distance, Double rating);
}
在服务层调用非常简单：
Point userLocation = new Point(116.404, 39.915); // 北京天安门坐标
Distance distance = new Distance(5, Metrics.KILOMETERS);
List nearbyStores = storeRepository.findByLocationNearAndRatingGreaterThan(
userLocation, distance, 4.0);
这对应了MongoDB的`$near`操作符。对于更复杂的场景，比如查询一个多边形区域（如一个行政边界）内的所有门店，可以使用`@Query`注解直接编写JSON查询。
三、聚合查询实战：复杂统计与分析
当简单的查询无法满足需求时，聚合框架（Aggregation Framework）就登场了。假设老板要我统计每个品类（category）在指定区域内的平均评分和总销售额，并按平均评分降序排列。这个需求就非常适合用聚合管道（Pipeline）来实现。
Spring Data MongoDB提供了`Aggregation`类来流畅地构建管道。下面是我的实现：
// 1. 首先，匹配出指定圆形区域内的门店
GeoJsonPoint center = new GeoJsonPoint(116.404, 39.915);
Circle area = new Circle(center, new Distance(10, Metrics.KILOMETERS));
AggregationOperation matchByArea = Aggregation.match(
Criteria.where("location").within(area)
);
// 2. 然后，按品类分组，计算平均分和总销售额
AggregationOperation groupByCategory = Aggregation.group("category")
.avg("rating").as("avgRating")
.sum("salesVolume").as("totalSales")
.count().as("storeCount");
// 3. 接着，按平均评分降序排序
AggregationOperation sort = Aggregation.sort(Sort.Direction.DESC, "avgRating");
// 4. 最后，可以再做一个投影，调整输出字段
AggregationOperation project = Aggregation.project()
.and("_id").as("category") // 将分组ID重命名为category
.and("avgRating").round(2) // 平均分保留两位小数
.and("totalSales").as("totalSales")
.and("storeCount").as("storeCount");
// 组装聚合管道
Aggregation aggregation = Aggregation.newAggregation(
matchByArea,
groupByCategory,
sort,
project
);
// 执行聚合查询
AggregationResults results = mongoTemplate.aggregate(
aggregation, "stores", CategoryStats.class // 自定义的输出映射类
);
List statsList = results.getMappedResults();
踩坑提示二：聚合管道的顺序至关重要。一定要先`$match`（筛选）再`$group`（分组），这样可以大幅减少需要处理的数据量，提升性能。我曾在生产环境因为顺序不当，导致一个简单的统计查询拖垮了数据库。
四、进阶：地理空间聚合 - 计算密度热图
更酷的功能来了！我们可以利用`$geoNear`聚合阶段，它比简单的`$near`查询更强大，可以直接在聚合管道中输出每个结果与中心点的距离。结合`$bucket`阶段，我们可以制作一个简单的距离分布直方图，用于分析门店的分布密度。
// 定义 $geoNear 阶段
GeoNearOperation geoNear = Aggregation.geoNear(
NearQuery.near(center).spherical(true), // spherical: true 表示使用球面几何
"distance" // 输出字段名，存储计算出的距离
);
// 按距离分桶（0-2km， 2-5km， 5-10km， >10km）
BucketOperation bucketByDistance = Aggregation.bucket("distance")
.withBoundaries(0, 2000, 5000, 10000)
.withDefaultBucket(">10km")
.andOutputCount().as("storeCount");
Aggregation densityAgg = Aggregation.newAggregation(geoNear, bucketByDistance);
AggregationResults densityResult = mongoTemplate.aggregate(
densityAgg, "stores", Bucket.class);
这个查询的结果会清晰地告诉我们，门店主要集中在哪个距离区间，对于商业分析非常有价值。
五、性能优化与索引建议
没有索引的地理空间查询是灾难性的。务必为地理空间字段创建2dsphere索引。你可以通过MongoDB Compass手动创建，或者在实体类中使用注解：
@Document(collection = "stores")
@Data
public class Store {
// ... 其他字段
@GeoSpatialIndexed(type = GeoSpatialIndexType.GEO_2DSPHERE)
private GeoJsonPoint location;
}
对于聚合查询，特别是包含`$group`和`$sort`的复杂管道，要密切关注`explain()`的输出，观察是否出现了内存排序（`MEMORY`警告）或者全集合扫描（`COLLSCAN`）。合理的索引和管道顺序是性能的关键。
总结
通过这次实战，我深刻体会到Spring Data MongoDB将MongoDB强大的原生能力与Spring生态的优雅编程模型结合得有多好。从简单的地理附近查询，到复杂的多阶段聚合分析，我们都能以声明式或流畅API的方式完成。记住几个关键点：坐标顺序是[经度， 纬度]；聚合管道顺序影响性能；2dsphere索引是地理查询的必备前提。希望这篇结合实战与踩坑经验的文章，能帮助你在处理空间数据和复杂统计时更加得心应手。下次，我们可以再聊聊如何使用`$facet`进行多维度并行聚合分析。
评论(0)