总结一下常用的PGSql空间判断函数




# 1、ST_Intersects(A,B)

场景：判断两个几何是否 “沾边”；

判断方法：有任何交集（含边界、包含、重叠）。

# 2、ST_Within(A,B)

场景：判断 A 是否是 B 的 “子集”；

判断方法：A 完全在 B 内（含边界），如果两个形状完全相同也是true。

# 3、ST_Contains(B,A)
场景：判断 B 是否是 A 的 “父集”；

判断方法：B 完全包含 A（含边界）→ true（与 ST_Within(A,B) 等价）。

# 4、ST_Overlaps(A,B)
场景：两个面部分重叠、两条线部分重叠

判断方法：部分重叠（交集与 A、B 都不同，且维度相同）→ true。

# 5、ST_Touches(A,B)
场景：两个面共享一条边、线端点接触面对界；

判断方法：仅边界接触（无内部交集）→ true。

# 6、使用说明

1、使用前提：安装post-gis插件；

2、A和B必须是geometry类型的数据，且A和B的SRID必须相同

3、A和B如果不是geometry类型的数据，需要按照如下规则转化：首先构建如下的WKT文本：

```
点（2D）
'POINT(116.4 39.9)

Point（3D 点）
POINT Z (116.4 39.9 50)

Point（4D 点） 2D 坐标 + 高程 50 米 + 测量值 100
POINT ZM (116.4 39.9 50 100)

LineString（线）3 个顶点组成的折线（2D）
LINESTRING(116.3 39.8, 116.4 39.9, 116.5 40.0)

Polygon（面）
POLYGON((0 0, 10 0, 10 10, 0 10, 0 0))

MultiPoint（多点）
MULTIPOINT((116.4 39.9), (116.5 40.0), (116.6 40.1))

MultiPolygon（多面）
MULTIPOLYGON(((0 0, 10 0, 10 10, 0 10, 0 0)), ((20 20, 30 20, 30 30, 20 30, 20 20)))


```

然后调用方法：

```
WKT文本转化为geometry对象
ST_GeomFromText('POINT(116.4 39.9)', 4326)
或者 ST_GeomFromText("SRID=4490;"+WKT)

转换SRID：
ST_Transform(geometry，4490 -- 目标 SRID=4490)

```

4、关于SRID的说明

```
4326 WGS84 经纬度

3857 Web 墨卡托投影

4490 国家大地坐标系 2000

2435 北京 54 坐标系


```

【PG】PGSql常用空间判断函数

基于POI封装的文档导出，网址：https://deepoove.com/




# 问题一、文件格式异常

No valid entries or contents found, this is not a valid OOXML (Office Open XML) file

该问题一般是因为word模板本身有问题或者打包问题，所以排查思路：

1、检查文档是否为doc、docx格式

2、在maven的pom打包文件中添加如下内容，避免编译后被损坏

```
<plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-resources-plugin</artifactId>
                <version>3.1.0</version>
                <configuration>
                    <encoding>UTF-8</encoding>
                    <nonFilteredFileExtensions>
                        
                        <nonFilteredFileExtension>doc</nonFilteredFileExtension>
                        <nonFilteredFileExtension>docx</nonFilteredFileExtension>
                    </nonFilteredFileExtensions>
                </configuration>
            </plugin>
```

# 问题二、图片插入相关问题

图片采用{{@picture}}标签进行插入，如果传入dataMap的picture为空，则会报异常。但是我们经常遇到对象列表，有的带图片有的不带的情况，这种情况则像下述方案解决：

通过嵌套标签解决

```js
{{?pictures}}

{{@picture}}

{{/pictures}}
```
把picture转化为列表，这样为空时该标签内容默认不展示

【POI】POI导出常见问题

Mysql基础学习


# 1、索引的底层原理

Mysql索引的实现是B+树，主要从以下几个方面考虑：
- 查找次数
- 范围查询优化
- 磁盘IO次数

## 1、HASH

哈希表是做数据快速检索的有效工具，首先HASH算法，也叫散列算法，把任意值（key）通过哈希函数变换为固定长度的key地址，通过地址定位到具体数据。

![image.png](/static/img/2b21d216bdf04146b40fe83c2aeaf5e0.image.webp)

不考虑hash碰撞的话，时间复杂度为O(1)。遇到hash碰撞的话，按照生成一个链表的思路解决（hashmap的初期底层实现）。定位到key之后再遍历链表查找对应的key。


![image.png](/static/img/0f3a7c155d850a51f2c2074d4e243654.image.webp)

但是hash在针对范围查询时却束手无策，所以虽然可以快速检索到数据，也无法作为索引的底层数据结构实现

## 2、二叉查找树(BST)

![image.png](/static/img/a2cabc5e112ff6c81807441b104db83e.image.webp)

二叉查找树的时间复杂度为 O(lgn)，比如我们查找数据为0007的节点，只需三次既可以查找到。在应对范围查询时，例如id>5的数据,我们只需要定位到0006，然后取其节点以及右子树即可，对于范围查询的性能也很强。

但是二叉树有个致命缺点：极端情况会退化成链表，如下。而在数据库中，自增的主键是个非常常见的形式，所以二叉树不适合作为索引的底层结构。


![image.png](/static/img/1099b2ec3e8811e7a60b345161ee204b.image.webp)

## 3、AVL树和红黑树

AVL树和红黑树都是自平衡树，可以通过自动旋转调整形态，始终保持基本平衡的状态。但是红黑树也有个问题，可能会一直右倾，如下，所以也没有完全处理退化为链表的情况。

![image.png](/static/img/961ed13e2f6bbe63d4941fa552f0560c.image.webp)


AVL树是更严格的自平衡二叉树，基本解决退化为链表或者右倾的问题，它有不错的查找性能还可以实现范围查找和数据排序。但是需要考虑如下问题：

![image.png](/static/img/4e3b1494ff0d5bd94c78d49c3c9f321c.image.webp)

数据库查询数据的瓶颈在于磁盘 IO，如果使用的是 AVL 树，我们每一个树节点只存储了一个数据，我们一次磁盘 IO 只能取出来一个节点上的数据加载到内存里，那比如查询 id=7 这个数据我们就要进行磁盘 IO 三次，这是多么消耗时间的。所以我们设计数据库索引时需要首先考虑怎么尽可能减少磁盘 IO 的次数。

磁盘 IO 有个有个特点，就是从磁盘读取 1B 数据和 1KB 数据所消耗的时间是基本一样的，我们就可以根据这个思路，我们可以在一个树节点上尽可能多地存储数据，一次磁盘 IO 就多加载点数据到内存，这就是 B 树，B+树的的设计原理了。

## 4、B树

下面这个 B 树，每个节点限制最多存储两个 key，一个节点如果超过两个 key 就会自动分裂。比如下面这个存储了 7 个数据 B 树，只需要查询两个节点就可以知道 id=7 这数据的具体位置，也就是两次磁盘 IO 就可以查询到指定数据，优于 AVL 树。

![image.png](/static/img/ad82981f8f993840cacb704cdda72937.image.webp)

B树作为索引有如下优点:

1. 优秀检索速度，时间复杂度：B 树的查找性能等于 O（h*logn），其中 h 为树高，n 为每个节点关键词的个数；
2. 尽可能少的磁盘 IO，加快了检索速度；
3. 可以支持范围查找。

## 5、B+树

![image.png](/static/img/de3da3c59f45e8e775e9e4d8834f1744.image.webp)
B树和B+树的区别如下下：
1.  树一个节点里存的是数据，而 B+树存储的是索引（地址），所以 B 树里一个节点存不了很多个数据，但是 B+树一个节点能存很多索引，B+树叶子节点存所有的数据
2.  B+树的叶子节点是数据阶段用了一个链表串联起来，便于范围查找。

通过 B 树和 B+树的对比我们看出，B+树节点存储的是索引，在单个节点存储容量有限的情况下，单节点也能存储大量索引，使得整个 B+树高度降低，减少了磁盘 IO。其次，B+树的叶子节点是真正数据存储的地方，叶子节点用了链表连接起来，这个链表本身就是有序的，在数据范围查找时，更具备效率。因此 Mysql 的索引用的就是 B+树，B+树在查找效率、范围查找中都有着非常不错的性能。

参考：https://zhuanlan.zhihu.com/p/113917726

【基础】Mysql学习之索引

【摄影】拍照技巧学习一、植物园

这里记录一下对接大疆无人机遇到的一些坑，避免在遇到这类问题



# 问题一、关于大疆高度的问题

大疆高度一共分为三种模式

1、海拔高度（ASL/HAE）

顾名思义，相对海平面的高度，分为两种，一种是相对海平面的高度（ASL），另一种是针对椭球面的高度（HAE），以参考椭球面为基准，这是一个基于数学公式定义的规则椭球体表面。目前广泛使用的是 WGS - 84 参考椭球面，其中心与地心重合，形状固定，是为了方便卫星定位等技术应用而构建的理想化数学模型。

![image.png](/static/img/e9e5b27e7ac79a0ba894390bfaa32242.image.webp)

2、相对起飞点高度（ALT）

起飞点一般是机场的高度，这个高度指的是相对机场的高度差

![image.png](/static/img/86a24e45d68a52a9352b103bb788492a.image.webp)

3、相对地形高度（AGL）

相对地面高度指的是跟地面的高度差

![image.png](/static/img/b5f4fe051efc22b0a06048c18ee219c5.image.webp)


# 问题二、如何实现控制云台



# 问题三、关于相机切换

在无人机拉流时，是有多种无人机相机类型的，一般分为（normal（正常）、wide（广角）、zoom（变焦）、ir（红外）），在执行变焦等操作时，要把直播镜头切换到zoom模式才可以，参考上云api的live_lens_change方法

# 问题四、无人机手飞逻辑

1、先执行takeOff接口飞到指定点

2、抢夺飞机控制权，确保控制权为A控，对应接口flight_authority_grab

3、进入DRC模式，相应接口drc_mode_enter，进入后需要保持心跳，每1min进行心跳机制，相应接口heart_beat

4、使用杆量控制接口stick_control进行控制，控制逻辑为每秒5-10次，均匀进行下发（每0.2S进行一次），以1024为中值，大于小于往相应方向动。如果要停止停发即可

![image.png](/static/img/407d2b3786ddf9d1c70c896ec30a804e.image.webp)

5、推出DRC模式：drc_mode_exit

小技巧：传的时间越长，飞的距离越长，不是线性叠加，1224飞10S的距离>10*（1224飞1S的距离）


# 问题五、机舱强制关仓逻辑

很不幸，今天飞机没能正常回仓，导致机舱门无法正常关闭了，解决方法是往service上发送强制关仓指令即可：


```
{
  "tid": "a50040cb-3190-41c6-9ebb-c327aa963197",
  "bid": "e111b949-2e82-4874-9ac8-bf8d9d43a844",
  "timestamp": 1763617421911,
  "data": {},
  "method": "cover_force_close"
}
```