深入解析Google Open Location Code定位编码规范
2026-02-04 04:18:49作者:凌朦慧Richard
前言
在数字时代,精确的地理位置编码对于导航、物流和位置服务至关重要。Google开源的Open Location Code(OLC)项目提供了一种简洁高效的地理位置编码方案,本文将深入解析其技术规范与实现原理。
基本概念
Open Location Code是一种将经纬度坐标编码为短字符串的技术方案,具有以下特点:
- 使用20个精选字符(2-9、C-F、G-H、J、M、P-Q、R、V-X)
- 编码长度可变(2-15位)
- 默认10位编码精度约14米
- 支持短码形式,便于记忆和使用
编码原理详解
基础数据准备
编码前需要对原始经纬度进行处理:
- 纬度范围限制在-90°到90°
- 经度归一化到-180°到180°
核心编码过程
编码分为两个阶段:
1. 前10位编码(高精度部分)
采用20进制编码,步骤如下:
- 纬度加90°,经度加180°转换为正数
- 将两个值乘以8000取整
- 交替编码纬度/经度的20进制数字(5位纬度+5位经度)
- 使用模20运算逐位计算字符
2. 后5位编码(超高精度部分)
采用混合进制编码:
- 纬度:5进制
- 经度:4进制
- 组合方式:纬度数字×4 + 经度数字
编码长度与精度
不同编码长度对应的精度如下表:
| 位数 | 纬度精度 | 经度精度 | 等效精度(赤道) |
|---|---|---|---|
| 2 | 20° | 20° | 2226 km |
| 4 | 1° | 1° | 111 km |
| 6 | 0.05° | 0.05° | 5.5 km |
| 8 | 0.0025° | 0.0025° | 278 m |
| 10 | 0.000125° | 0.000125° | 14 m |
| 11 | 0.000025° | 0.000031° | 2.8 m |
| 12 | 0.000005° | 0.0000078° | 56 cm |
| 13 | 0.000001° | 0.00000195° | 11 cm |
| 14 | 0.0000002° | 0.00000049° | 2 cm |
| 15 | 0.00000004° | 0.00000012° | 4 mm |
短码机制解析
短码是OLC的重要特性,它通过参考位置实现编码简化:
短码生成规则
- 必须保留格式分隔符"+"
- 最多可移除前6位字符
- 移除位数取决于参考位置与编码中心的距离
- 移除后精度需大于两倍的最大偏移量
短码使用建议
选择参考位置时应考虑:
- 优先使用知名城市/地标而非小区域
- 参考位置边界应满足:
- 移除4位:边界<0.8°×0.8°
- 移除2位:边界<16°×16°
- 保留安全余量防止解码错误
实现API规范
完整实现应包含以下核心方法:
验证类方法
isValid- 验证字符串是否为合法编码isShort- 判断是否为短码isFull- 验证是否为完整编码
编解码方法
encode- 将坐标编码为OLC- 参数:纬度、经度、可选长度
- 默认输出10位编码
decode- 解码OLC为坐标- 返回:西南角、东北角、中心点坐标及原始位数
短码处理方法
shorten- 根据参考位置生成短码- 可移除最多6位前导字符
recoverNearest- 根据参考位置恢复完整编码
技术要点总结
- 字符选择优化:避免形成常见单词,减少输入错误
- 交替编码设计:提高容错能力
- 渐进式精度:通过增加位数提高定位精度
- 相对编码机制:短码实现更人性化的使用体验
实际应用建议
- 常规应用使用10位编码(约14米精度)
- 物流追踪建议使用11-12位编码
- 短码适用于本地化服务场景
- 注意不同编码长度对应的精度差异
通过理解这些技术细节,开发者可以更好地将Open Location Code集成到各类位置服务应用中,实现高效精准的地理位置编码与共享。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
最新内容推荐
Python可观测性工具实战:Logfire效能提升指南RPCS3模拟器终极优化指南:突破PS3游戏性能极限的实战方案Nali跨平台部署全攻略:从环境适配到性能调优为什么需要统一游戏库管理?Playnite开源工具的全方位解决方案如何通过Idify实现本地证件照制作:安全高效的浏览器端解决方案路由器多容器管理实战:用Docker Compose打造智能家居中枢Zettlr:一站式学术写作解决方案效率指南零基础精通GPT-SoVITS:开源语音合成与AI声音克隆实战指南颠覆直播互动体验:Bongo-Cat-Mver如何让你的键盘操作变成视觉盛宴如何用开源工具轻松制作游戏模组?Crowbar让创作不再有门槛
项目优选
收起
暂无描述
Dockerfile
678
4.33 K
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.57 K
911
deepin linux kernel
C
28
16
暂无简介
Dart
923
228
Ascend Extension for PyTorch
Python
518
630
全称:Open Base Operator for Ascend Toolkit,哈尔滨工业大学AISS团队基于Ascend C打造的高性能昇腾算子库。
C++
46
52
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
399
305
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.35 K
110
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
134
212