יישום חיפוש נקודות עניין קרובות באפליקציות מובייל

הטמעת חיפוש נקודות עניין קרובות באפליקציות מובייל

תארו לעצמכם: האפליקציה שלכם מציגה מאה סמנים על המפה, אבל הגלילה הופכת למצגת שקופיות. או שהמשתמש מקיש על "מצא בית מרקחת" והרשימה נטענת בשלושים שניות. זה בדיוק מה שקורה כאשר חיפוש נקודות עניין (POI) קרובות מיושם ללא התחשבות בהיקף הנתונים ובקלאסטרינג. אנחנו, צוות פיתוח מובייל עם חמש שנות ניסיון, פתרנו את זה ביותר מ-50 פרויקטים (iOS, Android, Flutter). אנחנו מבטיחים: נקודות עניין ייטענו בשברירי שנייה גם עם מערך נתונים של 100,000 נקודות.

שתי גישות: חיפוש בצד הלקוח לעומת חיפוש בצד השרת

חיפוש בצד הלקוח טוען את כל הנקודות (או תת-קבוצה) לתוך האפליקציה ומוצא את הקרובות ביותר במכשיר. זה עובד היטב עבור מערכי נתונים עד 5,000 נקודות. נוסחת האוורסין או CLLocation.distance(from:) / Location.distanceTo() מסננים לפי מרחק. היתרון הוא יכולת עבודה במצב לא מקוון; החיסרון הוא הגבלה למערכי נתונים קטנים.

חיפוש בצד השרת משתמש בשאילתת PostGIS ST_DWithin, MongoDB $near, או Elasticsearch geo_distance. עבור מערכי נתונים מ-10,000 נקודות, זו האפשרות היחידה המעשית. האפליקציה שולחת קואורדינטות ורדיוס; השרת מחזיר רשימה ממוינת. עם אינדוקס מרחבי, זמני התגובה הם מתחת ל-100 אלפיות השנייה עבור 100,000 נקודות. המחיר הוא אין מצב לא מקוון, אבל התעבורה מינימלית מכיוון שרק התוצאות מועברות.

חיפוש Google Places Nearby

עבור נקודות עניין מנתונים פתוחים (בתי קפה, בנקים, בתי מרקחת) אנחנו משתמשים ב-Google Places API:

GET https://maps.googleapis.com/maps/api/place/nearbysearch/json?location=55.75,37.62&radius=1000&type=pharmacy&key=...

ב-iOS דרך GMSPlacesClient.findPlaceLikelihoodList או HTTP ישיר. ב-Android דרך Retrofit. מחזיר עד 20 תוצאות לכל בקשה, העמוד הבא דרך pagetoken. חשוב: pagetoken לא מופעל מיד; צריך להמתין 2 שניות לפני בקשת העמוד הבא.

עבור נקודות מותאמות אישית (חנויות משלכם, נקודות איסוף)—backend משלכם. שאילתת PostGIS:

SELECT id, name, lat, lon, ST_Distance(geom, ST_MakePoint(:lon, :lat)::geography) AS distance_m
FROM locations
WHERE ST_DWithin(geom, ST_MakePoint(:lon, :lat)::geography, :radius)
ORDER BY distance_m
LIMIT 50;

תצוגת מפה וקלאסטרינג

אם יש יותר מ-50 נקודות על המסך, יש צורך בקלאסטרינג. ב-iOS: SELECT id, name, lat, lon, ST_Distance(geom, ST_MakePoint(:lon, :lat)::geography) AS distance_m FROM locations WHERE ST_DWithin(geom, ST_MakePoint(:lon, :lat)::geography, :radius) ORDER BY distance_m LIMIT 50; מ-google-maps-ios-utils. ב-Android: GMSMarkerClusterer מ-android-maps-utils. ב-Flutter: flutter_map + flutter_map_marker_cluster.

הקלאסטרים מחושבים מחדש בכל שינוי זום. ללא debounce על ClusterManager, זה גורם לגמגום—חישוב הקלאסטרים חייב להתבצע באופן אסינכרוני, לא על ה-thread הראשי.

בהקשה על קלאסטר—זום חלק דרך onCameraMove לגבולות הקלאסטר, לא רק זום למרכז.

עדכונים בתנועה

אל תבקשו מחדש נקודות עניין בכל עדכון מיקום. היגיון: בקשה בטעינה הראשונה וכאשר המשתמש זז יותר מ-N מטרים ממרכז הבקשה האחרונה (ברוב המקרים, 300-500 מ'). CameraUpdate.newLatLngBounds(). בנוסף, שמרו תוצאות במטמון לשעה אחת כדי להפחית עומס.

למה לבחור בגישה שלנו?

מפתחים מנוסים (iOS, Android, Flutter) משתמשים רק בטכנולוגיות מוכחות: Swift 5.9, Kotlin, Flutter 3.x. שילבנו את Google Places API ביותר מ-30 פרויקטים ואנחנו מכירים את כל הניואנסים של pagetoken. אנחנו מבטיחים ביצועים: כן, קלאסטרינג מחושב אסינכרונית, ובקשות עוברות debounce. התוצאה—המפה לא גמגום גם במכשירים ישנים. ב-95% מהפרויקטים שלנו, הפחתנו את נפח קריאות ה-API ב-40% באמצעות מטמון ועדכונים רגישים לתנועה.

מה כלול

• ניתוח מערך נתונים ובחירת אסטרטגיה (לקוח/שרת/היברידי)
• עיצוב ארכיטקטורת מודול נקודות עניין
• שילוב Google Places API או הגדרת backend מותאם אישית עם PostGIS
• הטמעת קלאסטרינג עם חישוב מחדש אסינכרוני
• לוגיקת עדכוני תנועה עם debounce ומטמון
• בדיקות יחידה ובדיקות UI
• תיעוד למפתחים והדרכת צוות
• תמיכה לאחר השקה: חודש אחד בחינם

השילוב שלנו מתחיל מ-$500 עבור הגדרת Google Places בסיסית; פתרונות מותאמים אישית מלאים עולים בממוצע $2,500–$5,000.

תהליך העבודה

שלבי הטמעה

1. נתחו את היקף הנתונים שלכם והחליטו בין חיפוש בצד הלקוח, בצד השרת או היברידי.
2. הגדירו אינדוקס מרחבי (GiST ב-PostGIS, 2dsphere ב-MongoDB) כדי להבטיח מהירות שאילתה מתחת ל-100 אלפיות השנייה.
3. שלבו Google Places API או נקודות קצה מותאמות אישית של backend.
4. הטמיעו קלאסטרינג עם חישוב מחדש אסינכרוני ו-debounce לזום.
5. הוסיפו לוגיקת עדכוני תנועה עם סף של 300–500 מ' ו-debounce של 2 שניות.
6. בדקו עם מכשירים אמיתיים ומקרי קצה (למשל, רדיוס > 5 ק"מ).

איך לייעל שאילתות שרת?

• השתמשו באינדקסים מרחביים (GiST ב-PostGIS, 2dsphere ב-MongoDB)
• הגבילו רדיוס: לא יותר מ-5 ק"מ לחיפוש הולכי רגל
• הוסיפו מגבלה על מספר התוצאות (50-100)
• שמרו תגובות במטמון למשך 5-10 דקות עבור נקודות עניין סטטיות
• עבור בקשות תכופות ממשתמש אחד, אגדו אותן בקבוצות

טעויות אופייניות

• ללא debounce בשינוי זום—ה-UI גמגום
• בקשת העמוד הבא של Places API ללא השהיה—תגובה ריקה
• אחסון כל הקואורדינטות בזיכרון—ניפוח זיכרון
• התעלמות מ-pagetoken—רואים רק 20 תוצאות
• קלאסטרינג על ה-thread הראשי—גמגום בגלילה

let clusterManager = GMUClusterManager(mapView: mapView, algorithm: GMUNonHierarchicalDistanceBasedAlgorithm(), renderer: renderer)
clusterManager.setDelegate(self, mapDelegate: self)