📌今日关键词：空间数据库、GIS、空间索引、R-Tree、融合数据库
大家好，我是数据库小学妹 👋
做过外卖系统的同学应该都有体会：骑手位置、商户坐标、配送范围，全是空间数据。存起来容易，查起来要命——"3公里内的骑手"这个查询，数据量一大就卡得不行。
问题出在哪？大概率出在数据库选型上。
空间数据不像普通业务数据，它有坐标系、有几何运算、有拓扑关系。选错了数据库，索引效率差、SQL写不出、性能上不去。
目前主流的空间数据存储方案有三个流派：PostGIS、MySQL空间扩展、国产融合数据库。今天把它们的核心差异拆开讲清楚。
一、先搞懂空间数据长什么样
空间数据主要分两类：
矢量数据：用坐标点描述几何形状
- POINT（点）：一个经纬度坐标，比如骑手当前位置
- LINESTRING（线）：一串坐标点连成的线，比如道路、河流
- POLYGON（多边形）：围成封闭区域，比如配送范围、行政区划
栅格数据：像素网格，比如卫星影像、DEM高程数据。这个一般用专门的栅格引擎，不在本文讨论范围。
空间数据的核心操作：
- 空间关系判断：A是否在B范围内？（ST_Within）A和B是否相交？（ST_Intersects）
- 距离计算：A到B的直线距离是多少？（ST_Distance）
- 缓冲区分析：以某点为中心画3公里圆，找出范围内所有目标（ST_Buffer）
- 空间聚合：某区域内有多少个点？
这些操作的性能，取决于数据库的空间索引能力。
二、三大方案核心对比
2.1 PostGIS
PostGIS是PostgreSQL的空间扩展插件，是GIS领域的老牌选手。
优势：
- 空间函数丰富，800多个空间函数，覆盖OGC标准
- GiST索引成熟，空间查询性能好
- 支持坐标系转换（PROJ库），全球各种坐标系都能处理
- 社区活跃，文档齐全，遇到问题容易找到解决方案
- 支持栅格数据（PostGIS Raster）
不足：
- 需要单独维护一套PostgreSQL实例
- 空间数据和业务数据分库存储，联合查询要跨库
- 高并发写入场景下性能有瓶颈
- 国产化替代时，需要额外评估合规性
适合场景：GIS专业应用、地理信息系统、需要复杂空间分析的场景
2.2 MySQL空间扩展
MySQL内置了空间数据类型和空间索引，开箱即用。
优势：
- 不需要额外插件，建表时指定空间列就行
- SPATIAL INDEX基于R-Tree，基本的空间查询能用
- 业务数据和空间数据同库，减少架构复杂度
- 运维团队大多熟悉MySQL，学习成本低
不足：
- 空间函数比PostGIS少很多
- 坐标系支持有限，自定义坐标系比较麻烦
- 空间索引在复杂多边形查询下效率一般
- 对三维坐标（Z值）支持不完善
- GIS专业功能不足，不适合重度GIS场景
适合场景：业务系统中附带空间功能（LBS、外卖、打车），空间分析需求不复杂
2.3 国产融合数据库（以KES为例）
国产数据库在空间能力上正在快速追赶。金仓KES V9走的是融合架构路线：把空间能力直接内置到数据库引擎里。
优势：
- 空间数据、关系数据、时序数据在同一个库里
- 一条SQL就能关联空间表和业务表，不用跨库
- 符合信创要求，国产化合规无忧
- 运维一套系统，不用分别维护GIS库和业务库
- 2025年金仓与超图软件达成战略合作，空间能力持续增强
不足：
- 社区生态比PostGIS小
- 复杂GIS分析场景可能需要配合专业GIS软件
适合场景：信创场景、需要空间数据和业务数据融合分析、不想维护多套系统
三、空间索引，性能差异的核心
空间查询的性能好不好，七成取决于索引。
3.1 R-Tree索引
R-Tree是空间索引的主流算法。它把空间对象用最小外接矩形（MBR）逐层聚合，形成树状结构。
PostGIS用GiST索引实现R-Tree，MySQL用SPATIAL INDEX，KES用空间索引。底层都是R-Tree变种，但实现细节和优化程度不同。
3.2 索引效率对比
实际测试场景：1000万个点要素，查询"某矩形范围内有多少个点"：
| 方案 | 索引类型 | 查询耗时（参考值） |
|---|---|---|
| PostGIS | GiST | 50-100ms |
| MySQL | SPATIAL INDEX | 100-200ms |
| KES | GiST、BRIN和SP-GiST三种空间索引 | 80-150ms |
数据量越大，索引效率的差距越明显。百万级以下差别不大，千万级以上开始拉开差距。
3.3 空间SQL写法对比
-- 查找某点3公里范围内的所有商户-- PostGISSELECTname,ST_Distance(geom::geography,ST_SetSRID(ST_MakePoint(116.40,39.90),4326)::geography)ASdistFROMshopsWHEREST_DWithin(geom::geography,ST_SetSRID(ST_MakePoint(116.40,39.90),4326)::geography,3000)ORDERBYdist;-- MySQLSELECTname,ST_Distance_Sphere(location,ST_GeomFromText('POINT(116.40 39.90)',4326))ASdistFROMshopsWHEREST_Distance_Sphere(location,ST_GeomFromText('POINT(116.40 39.90)',4326))<=3000ORDERBYdist;-- KES（SQL写法与PostGIS类似）SELECTname,ST_Distance(geom,ST_SetSRID(ST_MakePoint(116.40,39.90),4326))ASdistFROMshopsWHEREST_DWithin(geom,ST_SetSRID(ST_MakePoint(116.40,39.90),4326),3000)ORDERBYdist;从SQL写法看，PostGIS和KES更接近OGC标准，MySQL的写法有自己的风格。
四、坐标系，容易踩的大坑
国内空间数据有两个常见坐标系：
- WGS-84：GPS原始坐标，国际标准
- GCJ-02：国测局坐标，高德、腾讯地图用这个
- BD-09：百度坐标，在GCJ-02基础上再加偏移
不同数据库对坐标系的支持差异：
- PostGIS支持完整的SRID定义和坐标转换（PROJ库），可以自由转换WGS-84和GCJ-02
- MySQL的坐标系支持较弱，自定义坐标系比较麻烦
- KES支持坐标系定义和常见转换
重点提醒：迁移空间数据前，先确认源数据的坐标系。不同坐标系混在一起查，结果会差几百米到几公里。
五、怎么选？一张决策表帮你搞定
| 决策维度 | PostGIS | MySQL | KES融合库 |
|---|---|---|---|
| 空间函数丰富度 | 高（800+） | 中（基础函数） | 中高 |
| 空间索引性能 | 优秀 | 良好 | 良好 |
| 坐标系支持 | 完整 | 有限 | 良好 |
| 业务数据联合查询 | 需跨库 | 同库 | 同库 |
| 信创合规 | 需评估 | 需评估 | 原生支持 |
| 运维复杂度 | 中（单独维护） | 低 | 低（融合架构） |
| 学习成本 | 中 | 低 | 低 |
| 社区生态 | 丰富 | 丰富 | 成长中 |
选型建议：
- 信创场景或空间+业务融合分析：选KES融合库。空间数据和业务数据在同一个库里，一条SQL关联查询，不用折腾ETL。
- 已有国产数据库规划：直接用KES的空间能力，不额外部署GIS数据库。
六、实战建议
6.1 数据量预估
- 100万条以下：三个方案性能差异不大，按运维便利性选
- 100万-1000万：关注索引类型和查询优化
- 1000万以上：必须做基准测试，索引效率差异明显
6.2 迁移注意事项
- PostGIS到KES：空间函数名称大部分兼容，注意ST_Transform等坐标系函数
- MySQL到KES：空间函数写法差异较大，ST_Distance_Sphere需要改写
- 坐标系迁移：保留原始SRID定义，迁移后验证坐标偏移
6.3 性能优化
- 空间索引一定要建。没有空间索引的空间查询，性能差100倍以上
- 大表空间JOIN，先做空间裁剪（bounding box过滤），再做精确计算
- 避免对几何列做函数计算后再过滤，会导致索引失效
小结
空间数据库选型得看具体场景。空间分析是主角还是配角？数据量级多大？需不需要和业务数据融合查询？有没有信创合规要求？
这几个问题想清楚，方案自然就明确了。
大家在空间数据存储上踩过哪些坑？用的什么方案？评论区分享一下 👇
我是数据库小学妹，咱们下篇见 👋
