Особенности функционирования интерактивных web-ориентированных картографических систем

Ключевой проблемой, выявленной после загрузки данных из обоих источников в БД проекта, стало пересечение общей части справочников организаций, полученных из двух различных источников. В случае попытки сведения по точному сравнению названий и координат заведений, пересечений между двумя заведениями не обнаруживается вовсе. Объясняется это тем, что заведения отличаются как по способу именования, например, встречаются подобные наименования одного и того же заведения, пришедшего из двух различных источников: “KFC”, “Ресторан KFC”, так и по координатам расположения, которыми, как известно, каждое заведение маркируется вручную.

Соответственно для составления итогового справочника заведений крайне важно разработать оптимальный алгоритм сопряжения одного и того же заведения для случая, когда оно присутствует сразу в двух базах. Как уже упоминалось ранее, на примере лис. 2 и 3 видно, что единственной информацией о заведении, позволяющей его однозначно идентифицировать является его название и расположение. Причем по отдельности ни название, ни расположение заведения не дают возможности его точной идентификации. Так ресторанов “Шоколадница” в Москве более 450 и все они в поле Name в пределах одного источника данных содержат одно и то же наименование, что не позволяет отличить одно заведение от другого без привязки к их фактическим координатам. В то же время плотность ресторанов в торговых центрах такова, что попытка их идентификации только по координатам без учета наименования так же лишена всякого смысла. Таким образом, алгоритм сведения должен основываться на рассмотрении координат и названия заведения в качестве составного ключа однозначно идентифицирующего заведение. При этом, так как точное сравнение ни координат, ни названий заведений не даёт никакого результата (т.е. пересечением множества заведений из двух источников по строгому соответствию является пустое множество), имеет смысл рассматривать алгоритмы нечеткого сравнения.

Алгоритм нечеткого сравнения координат тривиален. Все что нам нужно сделать - допустить возможность незначительного отклонения в координатах заведений, которые рассматриваются как потенциальные кандидаты на сопряжение. Единственная важная особенность в данном случае это тот факт, что картографические координаты задаются в градусах (широта и долгота), а расстояние на плоскости принято измерять в метрах. Для перехода от метров к градусов будем использовать следующую формулу:

LongDifGrad = 50 / 111134.861111;

double LatDifGrad = 50 / 71240.3572324;

Где LongDifGrad - 50 метров, выраженных в градусах долготы, LatDifGrad - 50 метров, выраженных в градусах широты.

Теперь для того, чтобы определить близость двух заведений на карте в радиусе 50 метров достаточно произвести линейные сравнения, как показано в функции Near:

private bool Near(Feature d)

{CoordX < d.CoordX + LongDifGrad && CoordX > d.CoordX - LongDifGrad

&& CoordY < d.CoordY + LatDifGrad && CoordY > d.CoordY - LatDifGrad;

}

Задание нестрогого сравнения позволяет снять проблему незначительно различающихся координат заведений, поступивших из различных источников. При этом для их полноценного сведения необходимо также решить проблему различных способов написания названий одного и того же заведения (“iL Patio”, “iL'Pation”, “Кафе IL PATIO”, и т.п.).

Первичный поиск возможных решений в сети показал возможность использования алгоритмов класса Soundex - алгоритмов сравнения двух строк по их звучанию. Они устанавливают одинаковый индекс для строк, имеющих схожее звучание в английском языке. Оригинальный алгоритм Soundex, запатентованный еще в 1918 году, имел значительное количество ложноположительных срабатываний, когда несколько слов с совершенно различным фактическим звучанием определялись алгоритмом как похожие. Это привело к появлению улучшенных версий данного алгоритма, в том числе с поддержкой других языков. К сожалению, в SQL Server встроена только англоязычная версия алгоритма, что подтолкнуло к поиску алгоритмов по сравнению наименований, которые бы работали на стороне C#.

Обзорные статьи по нечетким алгоритмам сравнения строк показывают, что наиболее простым способом сравнения двух строк на предмет схожести являются n-граммные алгоритмы.

public static double FuzzyCompare(int gramm, string left, string right)

{

 if (left != null)

 left = left.ToLower();

 if (right != null)

 right = right.ToLower();

 if (left == right || left == null || left.Length < 3)

 return 1;

 return Math.Max(_compare(gramm, left, right), _compare(gramm, right, left));

 }

 private static double _compare(int gramm, string left, string right)

 {

 double foundCnt = 0;

 for (int i = 0; i < left.Length - (gramm - 1); i++)

 foundCnt += right.Contains(left.Substring(i, gramm)) ? 1 : 0;

 return foundCnt / (left.Length - (gramm - 1));

 }

Где gramm - количество подряд стоящих символов, подлежащих выделению (в нашем случае оптимальное число 3), left - первая строка, right - вторая строка.

Суть алгоритма отраженного в приведенном выше листинге:

.         Выделение из первой строки всех последовательностей из трех стоящих рядом символов (триграммы). Получаем общее количество триграмм.

.         Подсчет количества уникальных вхождений триграмм во вторую строку.

.         Отношение количества вхождений во вторую строку к общему количеству триграмм отражает в численном виде близость заданных строк (чем больше, тем ближе).

Так как алгоритм не симметричен, то для точной проверки схожести двух строк необходимо вызывать его дважды с разным порядком операндов. Максимальное из полученных значений и будет являться искомым результатом численной оценки близости строк.

Применение описанного алгоритма определения близости строк действительно позволяет установить факт схожести названия таких заведений как «Кафе Песто» и «Песто». Итоговый алгоритм показан в лис. 8. После его применения к исходным базам, множество сведенных (т.е. обнаруженных в обоих источниках) заведений выросло с нуля до двух тысяч (больше половины всех кафе и ресторанов, полученных из базы OpenStreetMap).

 private static List<Feature> Merge(List<Feature> src)

 {

 var features = Feature.Instance.SelectMany();

 List<Feature> res = new List<Feature>();

 foreach (Feature s in src)

 {

 bool found = false;

 foreach (Feature d in features)

 {

 if (s.Near(d) && XgramCompare.FuzzyCompare(3, s.Name, d.Name) > 0.4)

 {

 found = true;

 break;

 }

 }

 if (!found)

 res.Add(s);

 }

 return res;

 }

Однако оба алгоритма: и алгоритм определения картографической близости, и алгоритм определения схожести строк, являются алгоритмами нечеткими, результаты их работы в большей степени зависят от пороговых значений «чувствительности» алгоритма. Для алгоритма, таким пороговым значением является константа 50 метров, для алгоритма таковой константой является 0,4 (40% пересечений в двух строках), которая используется в лис. 8. Числовые значения 50 и 0,4 определены с помощью выборочного визуального контроля полученного результата, поэтому не могут считаться оптимальными до тех пор, пока не показано, что остальные возможные значения для данных констант уменьшают процент корректно сведенных заведений. Для определения оптимальных (или субоптимальных) значений пороговой чувствительности указанных алгоритмов, необходимо изучить остальные допустимые значения указанных констант.

Так для критерия картографической близости область допустимых значений распространяется от нуля метров до бесконечности. Однако оба крайних случая лишены смысла. Слишком малое значение приведет к низкому объему сводимости (при нуле метров, количество сведенных заведений равно нулю). Слишком большое значение приведет к ложноположительным срабатываниям алгоритма, когда схожие по названию, но находящиеся на большом удалении (несколько сотен метров) заведения будут сведены. Но для разумного диапазона значений (от десяти до ста метров) разброс в количестве сведенных заведений достаточно значительный, а зависит это количество от значения второй вариативной постоянной - коэффициента близости строк. Получаем задачу двухкритериальной оптимизации, при которой целевая функция представляет из себя максимизацию количества сведенных заведений при минимизации количества ложноположительных срабатываний. Для визуального решения данной задачи предлагается построить таблицу результатов отработки алгоритма сведения с последовательным перебором всех возможных значений обоих констант в диапазоне от 0 до 100 для константы картографической близости и от 0 до 1 для константы близости строк. Шаг изменения обеих констант возьмем равным 5.

 public static void CalcMerges()

 {

 var all = Feature.Instance.SelectMany();

 var from = all.Where(x => x.SourcesStr.Contains("data.mos.ru")).ToList();

 var to = all.Where(x => x.SourcesStr.Contains("OpenStreetMap.ru")).ToList();

 double distStep = 10;

 double wordStep = 0.05;

 Parallel.For(0, 10, di => {

 for (int wi = 20; wi > 0; wi++)

 {

 Merge2(from, to, "", distStep * di, wordStep * wi);

 }

 });

 }

  private static long Merge2(List<Feature> from, List<Feature> to,

 string source, double dDist, double dNames)

 {

 long cnt = 0;

 List<Feature> res = new List<Feature>();

 List<Feature> toUpdate = new List<Feature>();

 foreach (Feature s in to)

 {

 foreach (Feature d in from)

 {

 if (s.Near2(d, dDist) &&

 XgramCompare.FuzzyCompare(3, s.Name, d.Name) > dNames)

 {

 cnt++;

 break;

 }

 }

 res.Add(s);

 }

 return cnt;

 }

Как видно из листинга, построение результирующей таблицы происходит посредством построения множества всех возможных комбинаций значений переменных постоянных, которое получается декартовым произведением множеств значений констант. Таким образом, имеем (100 / 5) двадцать значений каждой из констант, что в итоге приводит к 400 запускам модифицированного алгоритма сведения организаций, описанного в функции Merge2, в которой нет предопределенных констант, в отличие от оригинальной функции, описанной в лис. 8. Для ускорения отработки такого количества запусков в коде функции CalcMerges() используется конструкция Parallel.For, которая распараллеливает выполнение описанного лямбда-выражения (по сути вызова функции Merge2).

Рис. 2. Таблица распределения количества сведенных заведений в зависимости от значений варьируемых переменных

Результат отработки алгоритма из лис. 9, представлен в виде таблицы на рис. 2, где столбцы представляют из себя значения константы, задающей коэффициент близости строк, а строки - значения константы картографической близости. В ячейках, находящихся на пересечении выбранного столбца и строки, содержится численный результат выполнения функции сведения (Merge2), который представляет из себя количество сведенных заведений. Таблица раскрашена в виде «тепловой карты», где ячейки с большим количеством сведенных заведений имеют большую интенсивность зеленого цвета в фоне. Максимальное количество сведенных заведений ожидаемо наблюдается при максимальном количестве допущений (т.е. максимально возможное расстояние между сравниваемыми объектами при минимально возможном требовании к идентичности строк - 0%). Однако визуальный контроль списка сведенных заведений показывает, что процент ложных срабатываний при этом также крайне велик. Дальнейшее изучение таблицы результатов и визуальный контроль соответствующих им списков сведенных заведений показал, что уменьшение коэффициента близости строк до уровня меньшего 40% приводит к заметному росту количества ложноположительных сведений. При этом увеличение коэффициента близости до 100 метров практически не влияет на количество ложноположительный сведений. Связано это, прежде всего, с наличием на территории Москвы большого количества торговых центров, в которых расстояние между ресторанами зачастую превышает 50 метров. Обнаруженные новые значения констант использовались для дальнейших расчетов.

Стоит отметить, что описанный метод подбора пороговых значений все же является экспертным и его результаты нельзя считать оптимальными, так как ручной контроль количества ложноположительных срабатываний не является статистически значимым инструментом. Для дальнейшего улучшения подбора пороговых значений следует выделить критерии ложноположительного сведения заведений и автоматизировать их определение таким образом, чтобы итоговая целевая функция могла быть оптимизирована по обоим целевым значениям (количество сведенных заведений и количество ложноположительных срабатываний). После этого поиск оптимальных решений свелся бы к хорошо изученным алгоритмам многокритериальной оптимизации (например, методу градиентного спуска). Однако выделение критерия ложноположительных срабатываний выходит за рамки данной работы.

Отдельной особенностью сведения двух и более справочников организаций является сценарий устранения расхождения в атрибутах сводимых организаций. В случае отличий между источниками в значениях любого из атрибутов возникает вопрос, какое из значений отображать пользователю в карточке организации. Один из возможных подходов:

.         Для случая с нечетным количеством источников (3, 5, 7 и т.д.) пользоваться правилом простого большинства. Если значения атрибута в источниках 1, 2 эквивалентны, но отличаются от значения из источника 3, то отображается информация из источников 1, 2.

.         Для случая с четным количеством источников (2, 4, 6 и т.д.) используем правило приоритетов. До проведения процедуры сведения вычисляется или задается вручную рейтинг доверия источнику. Далее в процессе сведения, при наличии разночтений в значении атрибутов источников, сравниваются суммы рейтингов источников для каждого из вариантов значения атрибута. В итоговую карточку попадает значение с максимальной суммой рейтинга.

В нашем случае количество источников ограничено двумя, следовательно, имеет смысл использовать 2-е правило. Так как информация Портала открытых данных Правительства Москвы имеет гораздо большую частоту обновлений, чем у OSM, считаем данный источник приоритетней и выводим информацию из него.

2.4 Визуализация данных

По результатам тестирования гибкости и функциональности API различных картографических сервисов было принято решение использовать API Яндекс.Карт в качестве сервиса для отображения полученной (сведенной на предыдущем этапе) базы организаций.

Исследование способов отображения большого (>10 000) количества объектов на карте единовременно, показало, что в API Яндекс.Карт для этого предусмотрено два базовых сценария:

.         Генерация на сервере полупрозрачной картинки, которая накладывается поверх карты, делая изображенные на ней объекты видимыми для пользователя (рис. 1) и создание отдельного слоя активных областей, очерчивающих контуры объектов, представленных на сгенерированной картинке (картиночный слой). После чего на каждую отдельную активную область необходимо «навесить» различные обработчики событий (например - клик).

Рис. 3. Overlay техника оптимизации отображения большого количества объектов на Яндекс.Картах

.         Использование встроенных объектов Яндекс.Карт: RemoteObjectManager или LoadingObjectManager, которые разработаны специально для отображения большого количества объектов. Они умеют самостоятельно подгружать с сервера информацию для карты с учётом координат видимого участка карты и обладают таким важным дополнительным функционалом как кластеризация отображаемых объектов при отдалении (рис. 2).

Рисунок 4. Пример автоматической кластеризации, выполняемой на клиенте

Первый из описанных подходов крайне сложен в реализации: при любом перемещении пользователем отображаемой области карты необходимо на сервере генерировать новую картинку с метками. Более того, так как метка по сути нарисована и не является объектом, интерактивное взаимодействие с ней на стороне клиента практически невозможно.

Второй подход более гибок и прост в реализации, однако, он требует от серверной части web-приложения возврата данных в формате JSONP, который отличается от формата JSON тем, что в случае с JSONP результатом интерпретации JSON'а является не объект, а вызов callback-функции с передачей ей объекта с геоданными сгенерированными на сервере.

Пример JSON:

{

 "type": "FeatureCollection",

 "features": [

{

 "type": "Feature",

 "id": 2,

 "geometry": {

 "type": "Point",

 "coordinates": [55.763338, 37.565466]

 },

 "properties": {

 "balloonContent": "Содержимое балуна",

 "clusterCaption": "Метка 2",

 "hintContent": "Текст подсказки"

 }

}

 ]

Пример JSONP:

myCallback_x_1_y_2_z_5(

{

 "type": "FeatureCollection",

 "features": [

...

 ]

})

Помимо указанного функционала агрегации, в рамках данной работы также реализован дополнительный функционал по фильтрации (рис. 5) справочника заведений общественного питания по типам (кафе, ресторан, бар, закусочная, предприятие быстрого питания, буфет, столовая и т.д.) и отображение на карте известных сетевых предприятий в виде корпоративной символики (рис. 6).

Рис. 5. Фильтр

Рис.6. Брендирование

Карточка объекта выглядит следующим образом:

Рис.7. Карточка объекта

Разработанное веб-приложение доступно на сайте vkr.abdulin.pro.

Заключение

В рамках данной работы выполнен анализ различных аспектов функционирования существующих на рынке интерактивных web-ориентированных картографических систем (ГИС). Указана основная проблематика использования их для повседневного решения навигационных задач. Сформулирована гипотеза по повышению эффективности использования ГИС посредством повышения скорости актуализации базы данных организаций и увеличения ее полноты.

Изучены особенности лицензирования данных каждым из популярных ГИС. Определены ГИС, допускающие свободное обращение с предоставляемыми данными и не ограничивающие доступ к ним в автоматическом режиме. Изучены API данных сервисов и форматы выгрузки данных.

Произведена выгрузка данных о заведениях общественного питания г. Москвы из источников data.mos.ru и OpenStreetMap. Обнаружена проблема большого процента дублей в итоговой выгрузке.

Разработан двухкритериальный алгоритм сведения данных о заведениях общественного питания, полученных из справочников обоих ГИС. Разработан алгоритм вычисления субоптимальных пороговых значений для обоих критериев. По результатам отработки алгоритма уточнены исходные пороговые значения для обоих критериев. Используя разработанный алгоритм, построен итоговый сводный справочник заведений.

Изучено картографическое API популярных ГИС. Разработан механизм вывода сводного справочника организаций (>10000) на Яндекс.Карты. Реализованы дополнительные опции для демонстрации возможностей системы.

При реализации программного решения были учтены различные особенности функционирования сервисов, найдены оптимальные способы их использования, показаны как правильные, так и субоптимальные решения, родившиеся в процессе работы над проектом.

В целях дальнейшего развития проекта имеет смысл реализовать: гибкую систему фильтров заведений по дополнительным параметрам (тип кухни, средний чек, наличие wi-fi и т.п.), систему сбора обратной связи от конечного пользователя (внесение корректировки в существующие данные), разработку критерия поиска ложноположительных сведений.

Полученные алгоритмы без дополнительной адаптации могут быть применены как для любых других типов заведений, так и для других источников данных.

Приложения

.cs

using Newtonsoft.Json;System;System.Collections.Generic;System.Linq;System.Net;System.Text;System.Threading.Tasks;DAL;FuzzySearch;

EPA

{

public class Feature : DAL.TransactObject<Feature>

{

public Feature() : base() { }

public Feature(long id) : base(id) { }

public override CachingType CacheType

{

get { return CachingType.None; }

}

public Feature FromJSON1(dynamic obj)

{

CoordX = obj.geometry.coordinates[0];

CoordY = obj.geometry.coordinates[1];

DatasetId = obj.properties.DatasetId;

VersionNumber = obj.properties.VersionNumber;

ReleaseNumber = obj.properties.ReleaseNumber;

RowId = obj.properties.RowId;

GlobalId = obj.properties.Attributes.global_id;

Name = obj.properties.Attributes.Name;

OperatingCompany = obj.properties.Attributes.OperatingCompany;

IsNetObject = obj.properties.Attributes.IsNetObject == "да";

AdmArea = obj.properties.Attributes.AdmArea;

District = obj.properties.Attributes.District;

Address = obj.properties.Attributes.Address;

if (PublicPhone != null)

PublicPhone = obj.properties.Attributes.PublicPhone[0].PublicPhone;

SeatsCount = obj.properties.Attributes.SeatsCount;

SocialPrivileges = obj.properties.Attributes.SocialPrivileges == "да";

return this;

}

public Feature FromJSON2(dynamic obj)

{

CoordX = obj.lon;

CoordY = obj.lat;

GlobalId = obj.id;

Name = obj.tags.name;

PublicPhone = obj.tags["contact:phone"];

return this;

}

public static List<Feature> Download2(string path, string source)

{

WebClient wc = new WebClient();

wc.Encoding = Encoding.UTF8;

string json = wc.DownloadString(path);

//Newtonsoft.Json.Serialization.ser

dynamic list = ((dynamic)JsonConvert.DeserializeObject(json)).elements;

List<Feature> res = new List<Feature>();

foreach (var obj in list)

{

res.Add(new Feature().FromJSON2(obj));

}

res = Merge(res, source);

Feature.Instance.InsertMany(res);

return res;

}

public static void Counts()

{

long mosRu = Feature.Instance.InvokeScalar<long>("select count(*) from Features where SourcesStr like '%mos.data.ru%'");

long osmRu = Feature.Instance.InvokeScalar<long>("select count(*) from Features where SourcesStr like '%OpenStreetMap.ru%'");

long mix = Feature.Instance.InvokeScalar<long>("select count(*) from Features where SourcesStr like '%mos.data.ru%' and SourcesStr like '%OpenStreetMap.ru%'");

}

private static List<Feature> Merge(List<Feature> src, string source)

{

var features = Feature.Instance.SelectMany();

List<Feature> res = new List<Feature>();

List<Feature> toUpdate = new List<Feature>();

foreach (Feature s in src)

{

bool found = false;

foreach (Feature d in features)

{

if (s.Near(d) && XgramCompare.FuzzyCompare(3, s.Name, d.Name) > 0.4)

{

if (!d.Sources.Contains(source))

{

toUpdate.Add(d);

d.Sources = d.Sources.Concat(new[] { source }).ToArray();

}

found = true;

break;

}

}

if (!found)

res.Add(s);

}

Feature.Instance.UpdateMany(toUpdate);

return res;

}

// M/(m/Grad)

double LongDifGrad = 50 / 111134.861111;

double LatDifGrad = 50 / 71240.3572324;

private bool Near(Feature d)

{

return CoordX < d.CoordX + LongDifGrad && CoordX > d.CoordX - LongDifGrad

&& CoordY < d.CoordY + LatDifGrad && CoordY > d.CoordY - LatDifGrad;

}

public static List<Feature> Get(double lng1, double lat1, double lng2, double lat2)

{

return Feature.Instance.SelectMany(x=>x.CoordX < lng2 && x.CoordX > lng1

&& x.CoordY < lat2 && x.CoordY > lat1);

}

public object ToJSONObj()

{

dynamic[] nets = new dynamic[] {

new { name= "макдоналдс", logo= "mcdonalds.svg", size=new Int32[] { 32, 32 } },

new { name= "старбакс", logo= "starbucks.png", size= new Int32[] {32, 32}},

new { name= "якитория", logo= "yakitoriya.png", size= new Int32[] {52, 32}},

new { name= "бургер кинг", logo= "bk.png", size= new Int32[] {32, 32}},

new { name= "кфс", logo= "kfc.png", size= new Int32[] {52, 52}},

new { name= "суши wok", logo= "shushivok.png", size= new Int32[] {62, 32}},

new { name= "суши сет", logo= "sushiset.png", size= new Int32[] {62, 32}},

new { name= "стардогс", logo= "stardogs.png", size= new Int32[] {62, 32}},

new { name= "суши шоп", logo= "sushishop.png", size= new Int32[] {62, 32}},

new { name= "тануки", logo= "tanuki.png", size= new Int32[] {32, 32}},

new { name= "шоколадница", logo= "shoko.png", size= new Int32[] {42, 32}},

new { name = "кофе хаус", logo = "coffehouse.png", size = new Int32[] { 32, 32 } }

// { name: 'суши сет', logo: 'sushiset.png', size: [32, 32}},

};

dynamic net = nets.FirstOrDefault(x => (Name != null ? Name.ToLower().Contains(x.name) : false) );

return new

{

id = Id,

geometry = new

{

coordinates = new double[] { CoordX, CoordY },

type = "Point"

},

properties = new

{

type = TypeStr.ToString().ToLower(),

DatasetId = DatasetId,

VersionNumber = VersionNumber,

ReleaseNumber = ReleaseNumber,

RowId = RowId,

iconContent = Name,

balloonContentHeader = Name,

balloonContentBody = (IsNetObject ? "Сетевое заведение. " : "") +

(!String.IsNullOrWhiteSpace(Address) ? "<br/> Адрес: " + AdmArea + ", " + District + ", " + Address : "") +

(!String.IsNullOrWhiteSpace(PublicPhone) ? "<br/> Телефон: " + PublicPhone : "") +

"<br/> Источник: <b>" + SourcesStr + "</b>",

hintContent = Address == null ? "" : Address,

Attributes = new

{

global_id = GlobalId,

Name = Name,

IsNetObject = IsNetObject ? "да" : "нет",

OperatingCompany = OperatingCompany,

AdmArea = AdmArea,

District = District,

Address = Address,

PublicPhone = new object[] { new { PublicPhone = PublicPhone } }

},

},

options = (net == null ? null : new

{

iconLayout = "default#image",

iconImageHref = "img/" + net.logo,

iconImageSize = net.size

}),

type = "Feature"

};

}

public static string ToJson()

{

List<Feature> features = Feature.Instance.SelectMany();

return JsonConvert.SerializeObject(new { features = features.Select(x => x.ToJSONObj()).ToArray() });

}

public static List<Feature> Download(long dataNumber)

{

WebClient wc = new WebClient();

wc.Encoding = Encoding.UTF8;

string json = wc.DownloadString("https://apidata.mos.ru/v1/datasets/{" + dataNumber + "}/features");

//Newtonsoft.Json.Serialization.ser

dynamic list = ((dynamic)JsonConvert.DeserializeObject(json)).features;

List<Feature> res = new List<Feature>();

foreach (var obj in list)

{

res.Add(new Feature().FromJSON1(obj));

}

Feature.Instance.InsertMany(res);

return res;

}

//37 long

public double CoordX

{

get { return Get<double>(); }

set { Set(value); }

}

//55 lat

public double CoordY

{

get { return Get<double>(); }

set { Set(value); }

}

public long DatasetId

{

get { return Get<long>(); }

set { Set(value); }

}

public long VersionNumber

{

get { return Get<long>(); }

set { Set(value); }

}

public long ReleaseNumber

{

get { return Get<long>(); }

set { Set(value); }

}

public string RowId

{

get { return Get(); }

set { Set(value); }

}

public long GlobalId

{

get { return Get<long>(); }

set { Set(value); }

}

public string Name

{

get { return Get(); }

set { Set(value); }

}

public string OperatingCompany

{

get { return Get(); }

set { Set(value); }

}

public bool IsNetObject

{

get { return Get<bool>(); }

set { Set(value); }

}

public string AdmArea

{

get { return Get(); }

set { Set(value); }

}

public string District

{

get { return Get(); }

set { Set(value); }

}

public string Address

{

get { return Get(); }

set { Set(value); }

}

public string PublicPhone

{

get { return Get(); }

set { Set(value); }

}

public string SeatsCount

{

get { return Get(); }

set { Set(value); }

}

public bool SocialPrivileges

{

get { return Get<bool>(); }

set { Set(value); }

}

public string SourcesStr

{

get { return Get(); }

set { Set(value); }

}

public string[] Sources

{

get { return SourcesStr.Split(new string[] { "," }, StringSplitOptions.RemoveEmptyEntries); }

set { SourcesStr = string.Join(", ", value); SourcesCnt = value.Length; }

}

public long SourcesCnt

{

get { return Get<long>(); }

set { Set(value); }

}

public long Type

{

get { return Get <long>(); }

set { Set(value); }

}

public object TypeStr {

get

{

switch (this.Type)

{

case 1797:

return "Предприятие быстрого обслуживания";

case 1794:

return "Кафетерий";

case 1793:

return "Столовые";

case 1792:

return "Кафе";

case 1790:

return "Магазины кулинарии";

case 1786:

return "Кофейни";

case 1784:

return "Буфеты";

case 1798:

return "Закусочные";

case 1788:

return "Рестораны";

case 1796:

return "Бары";

case 0:

return "";

default:

return "";

}

}

}

}

}

.ashx:

<%@ WebHandler Language="C#" Class="Handler" %>

using System;

using System.Collections.Generic;

using System.Globalization;

using System.Web;

using EPA;

using Newtonsoft.Json;

using System.Linq;

public class Handler : IHttpHandler {

 public void ProcessRequest (HttpContext context)

 {

 context.Response.ContentType = "text/html";

 if (context.Request["update"] == "true")

 {

 Feature.Download2("http://overpass.osm.rambler.ru/cgi/interpreter?data=[out:json];node[%22amenity%22=%22restaurant%22](55.625282274095,37.345962524414,55.875696039004,37.889099121094);out;",

 "OpenStreetMap.ru");

 Feature.Download2("http://overpass.osm.rambler.ru/cgi/interpreter?data=[out:json];node[%22amenity%22=%22cafe%22](55.625282274095,37.345962524414,55.875696039004,37.889099121094);out;",

 "OpenStreetMap.ru");

 return;

 }

 string bbox = context.Request["bbox"];

 string[] arr = bbox.Split(',');

 List<Feature> features = Feature.Get(double.Parse(arr[0], CultureInfo.InvariantCulture),

 double.Parse(arr[1], CultureInfo.InvariantCulture),

 double.Parse(arr[2], CultureInfo.InvariantCulture),

 double.Parse(arr[3], CultureInfo.InvariantCulture));

 string result = JsonConvert.SerializeObject( features.Select(x => x.ToJSONObj()).ToArray(), Formatting.Indented );

 context.Response.Write("/**/ typeof " + context.Request["callback"] + " === \"function\" && " + context.Request["callback"] +

 "({ \"error\": null, \"data\": "+ result + "});");

 }

 public bool IsReusable {

 get {

 return false;

 }

 }

}

.cs:

using System;

using System.Collections.Generic;

using System.Linq;

using System.Text;

using System.Threading.Tasks;

namespace FuzzySearch

{

 public static class XgramCompare

 {

 public static double FuzzyCompare(int gramm, string left, string right)

 {

 if (left != null)

 left = left.ToLower();

 if (right != null)

 right = right.ToLower();

 if (left == right || left == null || left.Length < 3)

 return 1;

 return Math.Max(_compare(gramm, left, right), _compare(gramm, right, left));

 }

 //Gramm = 2 or 3

 private static double _compare(int gramm, string left, string right)

 {

 double foundCnt = 0;

 for (int i = 0; i < left.Length - (gramm - 1); i++)

 foundCnt += right.Contains(left.Substring(i, gramm)) ? 1 : 0;

 return foundCnt / (left.Length - (gramm - 1));

 }

 }

}

Index.html:

<!DOCTYPE html>

<html>

<head>

<title>Агрегация мест общественного питания</title>

<script src="//yandex.st/jquery/2.1.1/jquery.min.js" type="text/javascript"></script>

<script src="//api-maps.yandex.ru/2.1/?lang=ru-RU&coordorder=longlat"></script>

<script type="text/javascript">

/*global ymaps*/

ymaps.ready(function () {

// инициируем объект карты

var myMap = window.map = new ymaps.Map('YMapsID', {

center: [37.633265, 55.761384],

zoom: 18,

controls: ["zoomControl", "fullscreenControl"]

}, {

// minZoom: 5

});

// инициируем менеджер объектов на карте и настраиваем его на

// автоматическую загрузку данных с нашей прокси-страницы

var objectManager = new ymaps.LoadingObjectManager('/handler.ashx?bbox=%b&zoom=%z', {

clusterHasBalloon: true, // у кластеров будут свои балуны

clusterize: true, // включаем автоматическую кластеризацию

});

// Задаем стиль иконок для одиночных меток.

objectManager.objects.options.set('preset', 'islands#yellowStretchyIcon');

// Стиль иконок кластеров.

objectManager.clusters.options.set('preset', 'islands#greenClusterIcons');

// добавляем менеджер объектов на карту

myMap.geoObjects.add(objectManager);

// инициируем элемент управления - список типов заведений (фильтр)

var placeType = new ymaps.control.ListBox({

data: {

content: 'Выбрать тип заведения'

},

items: [

new ymaps.control.ListBoxItem({data: {content: 'Магазины кулинарии'}}),

new ymaps.control.ListBoxItem({data: {content: 'Кафетерий'}}),

new ymaps.control.ListBoxItem({data: {content: 'Закусочные'}}),

new ymaps.control.ListBoxItem({data: {content: 'Кофейни'}}),

new ymaps.control.ListBoxItem({data: {content: 'Буфеты'}}),

new ymaps.control.ListBoxItem({data: {content: 'Предприятие быстрого обслуживания'}}),

new ymaps.control.ListBoxItem({data: {content: 'Рестораны'}}),

new ymaps.control.ListBoxItem({data: {content: 'Столовые'}}),

new ymaps.control.ListBoxItem({data: {content: 'Кафе'}}),

new ymaps.control.ListBoxItem({data: {content: 'Бары'}}),

]

});

// отмечаем все значения фильтра в позицю выбрано

for (var i = 0; i < placeType.getAll().length; i++)

{

placeType.getAll()[i].select();

}

// добавляем элемент управления на карту

myMap.controls.add(placeType);

// обработчик клика по списку (т.е. по конкретному типу общепита)

var filterPlaces = function (e) {

e.preventDefault();

// формируем строку для фильтраиции объектов на карте по принадлежности к типу общепита

var filterStr = '';

for (var i = 0; i < placeType.getAll().length; i++)

{

var li = placeType.getAll()[i];

if (li.isSelected()) // если данный тип заведения выбран в списке, добавляем для него условие фильтрации

filterStr += (filterStr != '' ? ' || ' : '') + 'properties.type == "' + li.data.get('content').toLowerCase() + '"';

}

if (filterStr == '') // не выбран ни один из типов заведений

filterStr = 'properties.type == 9999'; // ... отфильтровываем вообще все объекты

objectManager.setFilter(filterStr);

};

placeType.events.add('select', filterPlaces);

placeType.events.add('deselect', filterPlaces);

});

<style type="text/css">

html, body, #YMapsID {

width: 100%;

height: 100%;

padding: 0;

margin: 0;

}

</style>

</head>

<body>

<!-- Див в котором будет отображена Яндекс.Карта -->

<div id="YMapsID"></div>

</body>

</html>