Flutter：基于Haversine/Great Circle Distance实现本地数据库地点高效筛选

嘿，这个问题我刚好有实践经验，咱们可以用haversine或者great_circle_distance结合本地数据库的边界框预筛选来高效实现，完全不用依赖Google Maps API，也不用遍历全量数据。下面分步骤给你讲清楚：

先在你的pubspec.yaml里添加需要的插件（选一个就行，功能差异不大）：

dependencies:
  flutter:
    sdk: flutter
  haversine: ^1.0.2 # 或者用 great_circle_distance: ^1.0.1
  sqflite: ^2.3.0 # 假设你用sqflite做本地数据库，可根据实际情况调整

然后运行flutter pub get安装依赖。

为了避免全量计算所有地点的距离，我们先计算一个经纬度边界框——也就是当前位置周围半径范围内的最大/最小纬度、经度值。这个边界框就是你需要的“周边范围数值”，同时能帮我们快速从数据库过滤出候选地点，大大减少后续计算量。

用基础地理公式就能计算（不用插件也能搞定）：

import 'dart:math';

/// 根据当前经纬度和半径（公里）计算边界框
Map<String, double> calculateBoundingBox(double currentLat, double currentLng, double radiusKm) {
  const earthAvgRadius = 6371.0; // 地球平均半径（公里）
  // 计算纬度偏移量：每公里对应的纬度度数
  final latOffset = (radiusKm / earthAvgRadius) * (180 / pi);
  // 计算经度偏移量：受纬度影响，需要乘以cos(纬度)
  final lngOffset = (radiusKm / (earthAvgRadius * cos(currentLat * pi / 180))) * (180 / pi);

  return {
    'minLat': currentLat - latOffset,
    'maxLat': currentLat + latOffset,
    'minLng': currentLng - lngOffset,
    'maxLng': currentLng + lngOffset,
  };
}

比如你在圣保罗（-23.5505, -46.6333）、要筛选500公里半径的地点，调用这个函数就能得到对应的经纬度边界范围。

核心思路是两步筛选：先通过数据库的WHERE条件过滤边界框内的候选地点，再用距离插件计算精确距离，最终筛选出符合半径要求的地点。

步骤1：数据库预筛选（关键优化） #

先给数据库表的latitude和longitude字段添加索引（这步很重要，能让边界框查询速度提升数倍）。然后用SQL语句快速过滤候选地点：

import 'package:sqflite/sqflite.dart';
import 'package:haversine/haversine.dart';

// 假设你的数据库表叫`places`，包含id、name、latitude、longitude字段
Future<List<Map<String, dynamic>>> fetchNearbyPlaces(double currentLat, double currentLng, double radiusKm) async {
  // 1. 获取数据库实例（替换成你的数据库初始化逻辑）
  final Database db = await openDatabase(
    'your_database.db',
    version: 1,
  );

  // 2. 计算边界框
  final boundingBox = calculateBoundingBox(currentLat, currentLng, radiusKm);

  // 3. 查询边界框内的候选地点（利用索引快速过滤）
  final candidatePlaces = await db.query(
    'places',
    where: 'latitude BETWEEN ? AND ? AND longitude BETWEEN ? AND ?',
    whereArgs: [
      boundingBox['minLat'],
      boundingBox['maxLat'],
      boundingBox['minLng'],
      boundingBox['maxLng'],
    ],
  );

  // 4. 用haversine计算精确距离，筛选最终符合条件的地点
  final List<Map<String, dynamic>> nearbyPlaces = [];
  final haversine = Haversine();

  for (final place in candidatePlaces) {
    final placeLat = place['latitude'] as double;
    final placeLng = place['longitude'] as double;

    // 计算当前位置到该地点的距离（公里）
    final distance = haversine.distance(
      LatLng(currentLat, currentLng),
      LatLng(placeLat, placeLng),
      Unit.Kilometer,
    );

    // 如果距离在半径范围内，加入结果列表（可顺便带上距离字段）
    if (distance <= radiusKm) {
      nearbyPlaces.add({...place, 'distance_km': distance.toStringAsFixed(2)});
    }
  }

  return nearbyPlaces;
}

如果用great_circle_distance，替换距离计算部分即可： #

import 'package:great_circle_distance/great_circle_distance.dart';

// 替换上面的距离计算代码
final distance = GreatCircleDistance(
  latitude1: currentLat,
  longitude1: currentLng,
  latitude2: placeLat,
  longitude2: placeLng,
).distance(Unit.Kilometers);

• 一定要给经纬度字段加索引：没有索引的话，数据库会全表扫描，效率大打折扣。
• 边界框是“近似范围”：因为地球是球体，边界框筛选出的候选地点可能有少量超出半径，但后续的精确距离计算会把它们排除，这个误差完全可以接受。
• 性能优势：如果数据库有上万条数据，这种两步筛选的方式比全量计算距离快10倍以上，非常高效。

内容的提问来源于stack exchange，提问作者Colque Paxi