引言

昨天一位公眾號粉絲和我討論了一道面試題，個人覺得比較有意義，這里整理了一下分享給大家，愿小伙伴們面試路上少踩坑。面試題目比較簡單：“讓你實現(xiàn)一個附近的人功能，你有什么方案？”，這道題其實主要還是考察大家對于技術(shù)的廣度，本文介紹幾種方案，給大家一點思路，避免在面試過程中語塞而影響面試結(jié)果，如有不嚴(yán)謹(jǐn)之處，還望親人們溫柔指正！

“附近的人” 功能生活中是比較常用的，像外賣app附近的餐廳，共享單車app里附近的車輛。既然常用面試被問的概率就很大，所以下邊依次來分析基于mysql數(shù)據(jù)庫、Redis、 MongoDB實現(xiàn)的 “附近的人” 功能。

科普：世界上標(biāo)識一個位置，通用的做法就使用經(jīng)、緯度。經(jīng)度的范圍在 (-180, 180]，緯度的范圍 在(-90, 90]，緯度正負(fù)以赤道為界，北正南負(fù)，經(jīng)度正負(fù)以本初子午線 (英國格林尼治天文臺) 為界，東正西負(fù)。比如：望京摩托羅拉大廈的經(jīng)、緯度（116.49141，40.01229）全是正數(shù)，就是因為我國位于東北半球。

一、“附近的人”原理

“附近的人” 也就是常說的 LBS (Location Based Services，基于位置服務(wù))，它圍繞用戶當(dāng)前地理位置數(shù)據(jù)而展開的服務(wù)，為用戶提供精準(zhǔn)的增值服務(wù)。

“附近的人” 核心思想如下：

1.  以 “我” 為中心，搜索附近的用戶
2.  以 “我” 當(dāng)前的地理位置為準(zhǔn)，計算出別人和 “我” 之間的距離
3.  按 “我” 與別人距離的遠(yuǎn)近排序，篩選出離我最近的用戶或者商店等   

二、什么是GeoHash算法？

在說 “附近的人” 功能的具體實現(xiàn)之前，先來認(rèn)識一下GeoHash 算法，因為后邊會一直和它打交道。定位一個位置最好的辦法就是用經(jīng)、緯度標(biāo)識，但經(jīng)、緯度它是二維的，在進(jìn)行位置計算的時候還是很麻煩，如果能通過某種方法將二維的經(jīng)、緯度數(shù)據(jù)轉(zhuǎn)換成一維的數(shù)據(jù)，那么比較起來就要容易的多，因此GeoHash算法應(yīng)運而生。

GeoHash算法將二維的經(jīng)、緯度轉(zhuǎn)換成一個字符串，例如：下圖中9個GeoHash字符串代表了9個區(qū)域，每一個字符串代表了一矩形區(qū)域。而這個矩形區(qū)域內(nèi)其他的點（經(jīng)、緯度）都用同一個GeoHash字符串表示。

比如：WX4ER區(qū)域內(nèi)的用戶搜索附近的餐廳數(shù)據(jù)，由于這區(qū)域內(nèi)用戶的GeoHash字符串都是WX4ER，故可以把WX4ER當(dāng)作key，餐廳信息作為value進(jìn)行緩存；而如果不使用GeoHash算法，區(qū)域內(nèi)的用戶請求餐廳數(shù)據(jù)，用戶傳來的經(jīng)、緯度都是不同的，這樣緩存不僅麻煩且數(shù)據(jù)量巨大。

GeoHash字符串越長，表示的位置越精確，字符串長度越長代表在距離上的誤差越小。下圖geohash碼精度表：

geohash碼長度	寬度	高度
1	5,009.4km	4,992.6km
2	1,252.3km	624.1km
3	156.5km	156km
4	39.1km	19.5km
5	4.9km	4.9km
6	1.2km	609.4m
7	152.9m	152.4m
8	38.2m	19m
9	4.8m	4.8m
10	1.2m	59.5cm
11	14.9cm	14.9cm
12	3.7cm	1.9cm

而且字符串越相似表示距離越相近，字符串前綴匹配越多的距離越近。比如：下邊的經(jīng)、緯度就代表了三家距離相近的餐廳。

商戶	經(jīng)緯度	Geohash字符串
串串香	116.402843,39.999375	wx4er9v
火鍋	116.3967,39.99932	wx4ertk
烤肉	116.40382,39.918118	wx4erfe

讓大家簡單了解什么是GeoHash算法，方便后邊內(nèi)容展開，GeoHash算法內(nèi)容比較高深，感興趣的小伙伴自行深耕一下，這里不占用過多篇幅（其實是我懂得太膚淺，哭唧唧~）。

三、基于Mysql

此種方式是純基于mysql實現(xiàn)的，未使用GeoHash算法。

1、設(shè)計思路

以用戶為中心，假設(shè)給定一個500米的距離作為半徑畫一個圓，這個圓型區(qū)域內(nèi)的所有用戶就是符合用戶要求的 “附近的人”。但有一個問題是圓形有弧度啊，直接搜索圓形區(qū)域難度太大，根本無法用經(jīng)、緯度直接搜索。

但如果在圓形外套上一個正方形，通過獲取用戶經(jīng)、緯度的最大最小值（經(jīng)、緯度 + 距離），再根據(jù)最大最小值作為篩選條件，就很容易將正方形內(nèi)的用戶信息搜索出來。

那么問題又來了，多出來一些面積腫么辦？

我們來分析一下，多出來的這部分區(qū)域內(nèi)的用戶，到圓點的距離一定比圓的半徑要大，那么我們就計算用戶中心點與正方形內(nèi)所有用戶的距離，篩選出所有距離小于等于半徑的用戶，圓形區(qū)域內(nèi)的所用戶即符合要求的“附近的人”。

2、利弊分析

純基于 mysql 實現(xiàn) “附近的人”，優(yōu)點顯而易見就是簡單，只要建一張表存下用戶的經(jīng)、緯度信息即可。缺點也很明顯，需要大量的計算兩個點之間的距離，非常影響性能。

3、實現(xiàn)

創(chuàng)建一個簡單的表用來存放用戶的經(jīng)、緯度屬性。 

1CREATE TABLE `nearby_user` (  
2  `id` int(11) NOT NULL AUTO_INCREMENT,  
3  `name` varchar(255) DEFAULT NULL COMMENT '名稱',  
4  `longitude` double DEFAULT NULL COMMENT '經(jīng)度',  
5  `latitude` double DEFAULT NULL COMMENT '緯度',  
6  `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '創(chuàng)建時間',  
7  PRIMARY KEY (`id`)  
8) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; 

計算兩個點之間的距離，用了一個三方的類庫，畢竟自己造的輪子不是特別圓，還有可能是方的，啊哈哈哈~ 

1<dependency>  
2     <groupId>com.spatial4j</groupId>  
3     <artifactId>spatial4j</artifactId>  
4     <version>0.5</version>  
5</dependency> 

獲取到外接正方形后，以正方形的最大最小經(jīng)、緯度值搜索正方形區(qū)域內(nèi)的用戶，再剔除超過指定距離的用戶，就是最終的附近的人。 

 1    private SpatialContext spatialContext = SpatialContext.GEO;    
 2  
 3    /**  
 4     * 獲取附近 x 米的人 
 5     *  
 6     * @param distance 搜索距離范圍 單位km  
 7     * @param userLng  當(dāng)前用戶的經(jīng)度  
 8     * @param userLat  當(dāng)前用戶的緯度  
 9     */  
10    @GetMapping("/nearby") 
11    public String nearBySearch(@RequestParam("distance") double distance,  
12                               @RequestParam("userLng") double userLng,  
13                               @RequestParam("userLat") double userLat) {  
14        //1.獲取外接正方形  
15        Rectangle rectangle = getRectangle(distance, userLng, userLat);  
16        //2.獲取位置在正方形內(nèi)的所有用戶  
17        List<User> users = userMapper.selectUser(rectangle.getMinX(), rectangle.getMaxX(), rectangle.getMinY(), rectangle.getMaxY());  
18        //3.剔除半徑超過指定距離的多余用戶  
19        usersusers = users.stream()  
20            .filter(a -> getDistance(a.getLongitude(), a.getLatitude(), userLng, userLat) <= distance)  
21            .collect(Collectors.toList());  
22        return JSON.toJSONString(users);  
23    }  
24  
25    private Rectangle getRectangle(double distance, double userLng, double userLat) {  
26        return spatialContext.getDistCalc()  
27            .calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat),   
28                                 distance * DistanceUtils.KM_TO_DEG, spatialContext, null);  
29    } 

由于用戶間距離的排序是在業(yè)務(wù)代碼中實現(xiàn)的，可以看到SQL語句也非常的簡單。 

1    <select id="selectUser" resultMap="BaseResultMap">  
2        SELECT * FROM user  
3        WHERE 11=1  
4        and (longitude BETWEEN ${minlng} AND ${maxlng})  
5        and (latitude BETWEEN ${minlat} AND ${maxlat})  
6    </select>  
7 

四、Mysql + GeoHash

1、設(shè)計思路

這種方式的設(shè)計思路更簡單，在存用戶位置信息時，根據(jù)用戶經(jīng)、緯度屬性計算出相應(yīng)的geohash字符串。注意：在計算geohash字符串時，需要指定geohash字符串的精度，也就是geohash字符串的長度，參考上邊的geohash精度表。

當(dāng)需要獲取附近的人，只需用當(dāng)前用戶geohash字符串，數(shù)據(jù)庫通過WHERE geohash Like 'geocode%' 來查詢geohash字符串相似的用戶，然后計算當(dāng)前用戶與搜索出的用戶距離，篩選出所有距離小于等于指定距離（附近500米）的，即附近的人。

2、利弊分析

利用GeoHash算法實現(xiàn)“附近的人”有一個問題，由于geohash算法將地圖分為一個個矩形，對每個矩形進(jìn)行編碼，得到geohash字符串?？晌耶?dāng)前的點與鄰近的點很近，但恰好我們分別在兩個區(qū)域，明明就在眼前的點偏偏搜不到，實實在在的燈下黑。

如何解決這一問題？

為了避免類似鄰近兩點在不同區(qū)域內(nèi)，我們就需要同時獲取當(dāng)前點（WX4G0）所在區(qū)域附近 8個區(qū)域的geohash碼，一并進(jìn)行篩選比較。

3、實現(xiàn)

同樣要設(shè)計一張表存用戶的經(jīng)、緯度信息，但區(qū)別是要多一個geo_code字段，存放geohash字符串，此字段通過用戶經(jīng)、緯度屬性計算出。使用頻繁的字段建議加上索引。 

1CREATE TABLE `nearby_user_geohash` (  
 2  `id` int(11) NOT NULL AUTO_INCREMENT,  
 3  `name` varchar(255) DEFAULT NULL COMMENT '名稱',  
 4  `longitude` double DEFAULT NULL COMMENT '經(jīng)度',  
 5  `latitude` double DEFAULT NULL COMMENT '緯度',  
 6  `geo_code` varchar(64) DEFAULT NULL COMMENT '經(jīng)緯度所計算的geohash碼',  
 7  `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '創(chuàng)建時間',  
 8  PRIMARY KEY (`id`),  
 9  KEY `index_geo_hash` (`geo_code`)  
10) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; 

首先根據(jù)用戶經(jīng)、緯度信息，在指定精度后計算用戶坐標(biāo)的geoHash碼，再獲取到用戶周邊8個方位的geoHash碼在數(shù)據(jù)庫中搜索用戶，最后過濾掉超出給定距離（500米內(nèi)）的用戶。 

 1 private SpatialContext spatialContext = SpatialContext.GEO;  
 2  
 3    /***  
 4     * 添加用戶  
 5     * @return  
 6     */  
 7    @PostMapping("/addUser")  
 8    public boolean add(@RequestBody UserGeohash user) {  
 9        //默認(rèn)精度12位  
10        String geoHashCode = GeohashUtils.encodeLatLon(user.getLatitude(),user.getLongitude());  
11        return userGeohashService.save(user.setGeoCode(geoHashCode).setCreateTime(LocalDateTime.now()));  
12    } 
13 
14  
15/**  
16     * 獲取附近指定范圍的人  
17     *  
18     * @param distance 距離范圍（附近多遠(yuǎn)的用戶） 單位km  
19     * @param len      geoHash的精度（幾位的字符串）  
20     * @param userLng  當(dāng)前用戶的經(jīng)度  
21     * @param userLat  當(dāng)前用戶的緯度  
22     * @return json  
23     */  
24    @GetMapping("/nearby")  
25    public String nearBySearch(@RequestParam("distance") double distance,  
26                               @RequestParam("len") int len,  
27                               @RequestParam("userLng") double userLng,  
28                               @RequestParam("userLat") double userLat) {  
29  
30  
31        //1.根據(jù)要求的范圍，確定geoHash碼的精度，獲取到當(dāng)前用戶坐標(biāo)的geoHash碼  
32        GeoHash geoHash = GeoHash.withCharacterPrecision(userLat, userLng, len);  
33        //2.獲取到用戶周邊8個方位的geoHash碼  
34        GeoHash[] adjacent = geoHash.getAdjacent();  
35  
36        QueryWrapper<UserGeohash> queryWrapper = new QueryWrapper<UserGeohash>()  
37            .likeRight("geo_code",geoHash.toBase32());  
38        Stream.of(adjacent).forEach(a -> queryWrapper.or().likeRight("geo_code",a.toBase32()));  
39  
40        //3.匹配指定精度的geoHash碼  
41        List<UserGeohash> users = userGeohashService.list(queryWrapper);  
42        //4.過濾超出距離的  
43        usersusers = users.stream()  
44                .filter(a ->getDistance(a.getLongitude(),a.getLatitude(),userLng,userLat)<= distance)  
45                .collect(Collectors.toList());  
46        return JSON.toJSONString(users);  
47    }  
48  
49  
50    /*** 
51     * 球面中，兩點間的距離  
52     * @param longitude 經(jīng)度1  
53     * @param latitude  緯度1  
54     * @param userLng   經(jīng)度2  
55     * @param userLat   緯度2  
56     * @return 返回距離，單位km  
57     */  
58    private double getDistance(Double longitude, Double latitude, double userLng, double userLat) {  
59        return spatialContext.calcDistance(spatialContext.makePoint(userLng, userLat),  
60                spatialContext.makePoint(longitude, latitude)) * DistanceUtils.DEG_TO_KM;  
61    } 

五、Redis + GeoHash

Redis 3.2版本以后，基于geohash和數(shù)據(jù)結(jié)構(gòu)Zset提供了地理位置相關(guān)功能。通過上邊兩種mysql的實現(xiàn)方式發(fā)現(xiàn)，附近的人功能是明顯的讀多寫少場景，所以用redis性能更會有很大的提升。

1、設(shè)計思路

redis 實現(xiàn)附近的人功能主要通過Geo模塊的六個命令。

•  GEOADD：將給定的位置對象（緯度、經(jīng)度、名字）添加到指定的key;
•  GEOPOS：從key里面返回所有給定位置對象的位置（經(jīng)度和緯度）;
•  GEODIST：返回兩個給定位置之間的距離;
•  GEOHASH：返回一個或多個位置對象的Geohash表示;
•  GEORADIUS：以給定的經(jīng)緯度為中心，返回目標(biāo)集合中與中心的距離不超過給定最大距離的所有位置對象;
•  GEORADIUSBYMEMBER：以給定的位置對象為中心，返回與其距離不超過給定最大距離的所有位置對象。

以GEOADD 命令和GEORADIUS 命令簡單舉例： 

1GEOADD key longitude latitude member [longitude latitude member ...] 

其中，key為集合名稱，member為該經(jīng)緯度所對應(yīng)的對象。

GEOADD 添加多個商戶“火鍋店”位置信息：

1GEOADD hotel 119.98866180732716    30.27465803229662 火鍋店 

GEORADIUS 根據(jù)給定的經(jīng)緯度為中心，獲取目標(biāo)集合中與中心的距離不超過給定最大距離（500米內(nèi)）的所有位置對象，也就是“附近的人”。 

1GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [ASC|DESC] [COUNT count] [STORE key] [STORedisT key] 

范圍單位：m | km | ft | mi --> 米 | 千米 | 英尺 | 英里。

•  WITHDIST：在返回位置對象的同時，將位置對象與中心之間的距離也一并返回。距離的單位和用戶給定的范圍單位保持一致。
•  WITHCOORD：將位置對象的經(jīng)度和維度也一并返回。
•  WITHHASH：以 52 位有符號整數(shù)的形式，返回位置對象經(jīng)過原始 geohash 編碼的有序集合分值。這個選項主要用于底層應(yīng)用或者調(diào)試，實際中的作用并不大。
•  ASC | DESC：從近到遠(yuǎn)返回位置對象元素 | 從遠(yuǎn)到近返回位置對象元素。
•  COUNT count：選取前N個匹配位置對象元素。（不設(shè)置則返回所有元素）
•  STORE key：將返回結(jié)果的地理位置信息保存到指定key。
•  STORedisT key：將返回結(jié)果離中心點的距離保存到指定key。

例如下邊命令：獲取當(dāng)前位置周邊500米內(nèi)的所有飯店。

1GEORADIUS hotel 119.98866180732716    30.27465803229662 500 m WITHCOORD

Redis內(nèi)部使用有序集合(zset)保存用戶的位置信息，zset中每個元素都是一個帶位置的對象，元素的score值為通過經(jīng)、緯度計算出的52位geohash值。

2、利弊分析

redis實現(xiàn)附近的人效率比較高，集成也比較簡單，而且還支持對距離排序。不過，結(jié)果存在一定的誤差，要想讓結(jié)果更加精確，還需要手動將用戶中心位置與其他用戶位置計算距離后，再一次進(jìn)行篩選。

3、實現(xiàn)

以下就是Java redis實現(xiàn)版本，代碼非常的簡潔。 

 1 @Autowired  
 2    private RedisTemplate<String, Object> redisTemplate;  
 3  
 4    //GEO相關(guān)命令用到的KEY  
 5    private final static String KEY = "user_info";  
 6  
 7    public boolean save(User user) {  
 8        Long flag = redisTemplate.opsForGeo().add(KEY, new RedisGeoCommands.GeoLocation<>(  
 9                user.getName(),   
10                new Point(user.getLongitude(), user.getLatitude()))  
11        );  
12        return flag != null && flag > 0;  
13    }  
14  
15    /**  
16     * 根據(jù)當(dāng)前位置獲取附近指定范圍內(nèi)的用戶  
17     * @param distance 指定范圍 單位km ，可根據(jù){@link org.springframework.data.geo.Metrics} 進(jìn)行設(shè)置  
18     * @param userLng 用戶經(jīng)度  
19     * @param userLat 用戶緯度  
20     * @return 
21     */  
22    public String nearBySearch(double distance, double userLng, double userLat) {  
23        List<User> users = new ArrayList<>();  
24        // 1.GEORADIUS獲取附近范圍內(nèi)的信息  
25        GeoResults<RedisGeoCommands.GeoLocation<Object>> reslut =   
26            redisTemplate.opsForGeo().radius(KEY,   
27                        new Circle(new Point(userLng, userLat), new Distance(distance, Metrics.KILOMETERS)),  
28                        RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()  
29                                .includeDistance()  
30                                .includeCoordinates().sortAscending());  
31        //2.收集信息，存入list  
32        List<GeoResult<RedisGeoCommands.GeoLocation<Object>>> content = reslut.getContent();  
33        //3.過濾掉超過距離的數(shù)據(jù)  
34        content.forEach(a-> users.add(  
35                new User().setDistance(a.getDistance().getValue())  
36                .setLatitude(a.getContent().getPoint().getX())  
37                .setLongitude(a.getContent().getPoint().getY())));  
38        return JSON.toJSONString(users);  
39    } 

六、MongoDB + 2d索引

1、設(shè)計思路

MongoDB實現(xiàn)附近的人，主要是通過它的兩種地理空間索引 2dsphere 和 2d。兩種索引的底層依然是基于Geohash來進(jìn)行構(gòu)建的。但與國際通用的Geohash還有一些不同，具體參考官方文檔。

2dsphere 索引僅支持球形表面的幾何形狀查詢。

2d 索引支持平面幾何形狀和一些球形查詢。雖然2d 索引支持某些球形查詢，但 2d 索引對這些球形查詢時，可能會出錯。所以球形查詢盡量選擇 2dsphere索引。

盡管兩種索引的方式不同，但只要坐標(biāo)跨度不太大，這兩個索引計算出的距離相差幾乎可以忽略不計。

2、實現(xiàn)

首先插入一批位置數(shù)據(jù)到MongoDB， collection為起名 hotel，相當(dāng)于MySQL的表名。兩個字段name名稱，location 為經(jīng)、緯度數(shù)據(jù)對。 

1db.hotel.insertMany([  
 2 {'name':'hotel1',  location:[115.993121,28.676436]},  
 3 {'name':'hotel2',  location:[116.000093,28.679402]},  
 4 {'name':'hotel3',  location:[115.999967,28.679743]},  
 5 {'name':'hotel4',  location:[115.995593,28.681632]},  
 6 {'name':'hotel5',  location:[115.975543,28.679509]},  
 7 {'name':'hotel6',  location:[115.968428,28.669368]},  
 8 {'name':'hotel7',  location:[116.035262,28.677037]},  
 9 {'name':'hotel8',  location:[116.024770,28.68667]},  
10 {'name':'hotel9',  location:[116.002384,28.683865]},  
11 {'name':'hotel10', location:[116.000821,28.68129]},  
12]) 

接下來我們給 location 字段創(chuàng)建一個2d索引，索引的精度通過bits來指定，bits越大，索引的精度就越高。 

1db.coll.createIndex({'location':"2d"}, {"bits":11111}) 

用geoNear命令測試一下， near 當(dāng)前坐標(biāo)（經(jīng)、緯度），spherical 是否計算球面距離，distanceMultiplier地球半徑，單位是米，默認(rèn)6378137， maxDistance 過濾條件（指定距離內(nèi)的用戶），開啟弧度需除distanceMultiplier，distanceField 計算出的兩點間距離，字段別名（隨意取名）。 

1db.hotel.aggregate({  
2    $geoNear:{  
3        near: [115.999567,28.681813], // 當(dāng)前坐標(biāo)  
4        spherical: true, // 計算球面距離 
5        distanceMultiplier: 6378137, // 地球半徑,單位是米,那么的除的記錄也是米  
6        maxDistance: 2000/6378137, // 過濾條件2000米內(nèi)，需要弧度  
7        distanceField: "distance" // 距離字段別名 
8    }  
9}) 

看到結(jié)果中有符合條件的數(shù)據(jù)，還多出一個字段distance 剛才設(shè)置的別名，代表兩點間的距離。 

1{ "_id" : ObjectId("5e96a5c91b8d4ce765381e58"), "name" : "hotel10", "location" : [ 116.000821, 28.68129 ], "distance" : 135.60095397487655 }  
2{ "_id" : ObjectId("5e96a5c91b8d4ce765381e51"), "name" : "hotel3", "location" : [ 115.999967, 28.679743 ], "distance" : 233.71915803517447 }  
3{ "_id" : ObjectId("5e96a5c91b8d4ce765381e50"), "name" : "hotel2", "location" : [ 116.000093, 28.679402 ], "distance" : 273.26317035334176 }  
4{ "_id" : ObjectId("5e96a5c91b8d4ce765381e57"), "name" : "hotel9", "location" : [ 116.002384, 28.683865 ], "distance" : 357.5791936927476 }  
5{ "_id" : ObjectId("5e96a5c91b8d4ce765381e52"), "name" : "hotel4", "location" : [ 115.995593, 28.681632 ], "distance" : 388.62555058249967 }  
6{ "_id" : ObjectId("5e96a5c91b8d4ce765381e4f"), "name" : "hotel1", "location" : [ 115.993121, 28.676436 ], "distance" : 868.6740526419927 } 

總結(jié)

本文重點并不是在具體實現(xiàn)，旨在給大家提供一些設(shè)計思路，面試中可能你對某一項技術(shù)了解的并不深入，但如果你的知識面寬，可以從多方面說出多種設(shè)計的思路，能夠侃侃而談，那么會給面試官極大的好感度，拿到offer的概率就會高很多。而且“附近的人” 功能使用的場景比較多，尤其是像電商平臺應(yīng)用更為廣泛，所以想要進(jìn)大廠的同學(xué)，這類的知識點還是應(yīng)該有所了解的。