mongodb存储gps轨迹，mongodb数据库位置

华为大数据解决方案是什么?

大数据解决方案的逻辑层

逻辑层提供了一种组织您的组件的方式。这些层提供了一种方法来组织执行特定功能的组件。这些层只是逻辑层；这并不意味着支持每层的功能在独立的机器或独立的进程上运行。大数据解决方案通常由以下逻辑层组成：

1、大数据来源

2、数据改动 (massaging) 和存储层

3、分析层

4、使用层

互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手机的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了

大数据来源：考虑来自所有渠道的，所有可用于分析的数据。要求组织中的数据科学家阐明执行您需要的分析类型所需的数据。数据的格式和起源各不相同：

格式— 结构化、半结构化或非结构化。

速度和数据量— 数据到达的速度和传送它的速率因数据源不同而不同。

收集点— 收集数据的位置，直接或通过数据提供程序，实时或以批量模式收集数据。数据可能来自某个主要来源，比如天气条件，也有可能来自一个辅助来源，比如媒体赞助的天气频道。

数据源的位置— 数据源可能位于企业内或外部。识别您具有有限访问权的数据，因为对数据的访问会影响可用于分析的数据范围。

数据改动和存储层：此层负责从数据源获取数据，并在必要时，将它转换为适合数据分析方式的格式。例如，可能需要转换一幅图，才能将它存储在 Hadoop Distributed File System (HDFS) 存储或关系数据库管理系统 (RDBMS) 仓库中，以供进一步处理。合规性制度和治理策略要求为不同的数据类型提供合适的存储。

分析层：分析层读取数据改动和存储层整理 (digest) 的数据。在某些情况下，分析层直接从数据源访问数据。设计分析层需要认真地进行事先筹划和规划。必须制定如何管理以下任务的决策：

生成想要的分析

从数据中获取洞察

找到所需的实体

定位可提供这些实体的数据的数据源

理解执行分析需要哪些算法和工具。

使用层：此层使用了分析层所提供的输出。使用者可以是可视化应用程序、人类、业务流程或服务。可视化分析层的结果可能具有挑战。有时，看看类似市场中的竞争对手是如何做的会有所帮助。

每一层包含多种组件类型，下面将会介绍这些类型。

大数据来源

此层包含所有必要的数据源，提供了解决业务问题所需的洞察。数据是结构化、半结构化和非结构化的数据，而且来自许多来源：

1、企业遗留系统— 这些系统是企业应用程序，执行业务需要的分析并获取需要的洞察：

客户关系管理系统

结算操作

大型机应用程序

企业资源规划

Web 应用程序开发

Web 应用程序和其他数据来源扩充了企业拥有的数据。这些应用程序可使用自定义的协议和机制来公开数据。

2、数据管理系统 (DMS)— 数据管理系统存储逻辑数据、流程、策略和各种其他类型的文档：

Microsoft® Excel® 电子表格

Microsoft Word 文档

这些文档可以转换为可用于分析的结构化数据。文档数据可公开为领域实体，或者数据改动和存储层可将它转换为领域实体。

3、数据存储— 数据存储包含企业数据仓库、操作数据库和事务数据库。此数据通常是结构化数据，可直接使用或轻松地转换来满足需求。这些数据不一定存储在分布式文件系统中，具体依赖于所处的上下文。

4、智慧设备— 智慧设备能够捕获、处理和传输使用最广泛的协议和格式的信息。这方面的示例包括智能电话、仪表和医疗设备。这些设备可用于执行各种类型的分析。绝大多数智慧设备都会执行实时分析，但从智慧设备传来的信息也可批量分析。

5、聚合的数据提供程序— 这些提供程序拥有或获取数据，并以复杂的格式和所需的频率通过特定的过滤器公开它。每天都会产生海量的数据，它们具有不同的格式，以不同的速度生成，而且通过各种数据提供程序、传感器和现有企业提供。

其他数据源— 有许多数据来自自动化的来源：

地理信息：

地图

地区详细信息

位置详细信息

矿井详细信息

人类生成的内容：

社交媒体

电子邮件

博客

在线信息

传感器数据：

环境：天气、降雨量、湿度、光线

电气：电流、能源潜力等

导航装置

电离辐射、亚原子粒子等

靠近、存在等

位置、角度、位移、距离、速度、加速度

声音、声震动等

汽车、运输等

热量、热度、温度

光学、光、成像、见光度

化学

压力

流动、流体、速度

力、密度级别等

来自传感器供应商的其他数据

数据改动和存储层

因为传入的数据可能具有不同的特征，所以数据改动和存储层中的组件必须能够以各种频率、格式、大小和在各种通信渠道上读取数据：

数据获取— 从各种数据源获取数据，并将其发送到数据整理组件或存储在指定的位置中。此组件必须足够智能，能够选择是否和在何处存储传入的数据。它必须能够确定数据在存储前是否应改动，或者数据是否可直接发送到业务分析层。

数据整理— 负责将数据修改为需要的格式，以实现分析用途。此组件可拥有简单的转换逻辑或复杂的统计算法来转换源数据。分析引擎将会确定所需的特定的数据格式。主要的挑战是容纳非结构化数据格式，比如图像、音频、视频和其他二进制格式。

分布式数据存储— 负责存储来自数据源的数据。通常，这一层中提供了多个数据存储选项，比如分布式文件存储 (DFS)、云、结构化数据源、NoSQL 等。

分析层

这是从数据中提取业务洞察的层：

分析层实体识别— 负责识别和填充上下文实体。这是一个复杂的任务，需要高效的高性能流程。数据整理组件应为这个实体识别组件提供补充，将数据修改为需要的格式。分析引擎将需要上下文实体来执行分析。

分析引擎— 使用其他组件（具体来讲，包括实体鉴别、模型管理和分析算法）来处理和执行分析。分析引擎可具有支持并行处理的各种不同的工作流、算法和工具。

模型管理— 负责维护各种统计模型，验证和检验这些模型，通过持续培训模型来提高准确性。然后，模型管理组件会推广这些模型，它们可供实体识别或分析引擎组件使用。

使用层

这一层使用了从分析应用程序获取的业务洞察。分析的结果由组织内的各个用户和组织外部的实体（比如客户、供应商、合作伙伴和提供商）使用。此洞察可用于针对客户提供产品营销信息。例如，借助从分析中获取的洞察，公司可以使用客户偏好数据和位置感知，在客户经过通道或店铺时向他们提供个性化的营销信息。

该洞察可用于检测欺诈，实时拦截交易，并将它们与使用已存储在企业中的数据构建的视图进行关联。在欺诈性交易发生时，可以告知客户可能存在欺诈，以便及时采取更正操作。

此外，可以根据在数据改动层完成的分析来触发业务流程。可以启动自动化的步骤 — 例如，如果客户接受了一条可自动触发的营销信息，则需要创建一个新订单，如果客户报告了欺诈，那么可以触发对信用卡使用的阻止。

分析的输出也可由推荐引擎使用，该引擎可将客户与他们喜欢的产品相匹配。推荐引擎分析可用的信息，并提供个性化且实时的推荐。

使用层还为内部用户提供了理解、找到和导航企业内外的链锁信息的能力。对于内部使用者，为业务用户构建报告和仪表板的能力使得利益相关者能够制定精明的决策并设计恰当的战略。为了提高操作有效性，可以从数据中生成实时业务警告，而且可以监视操作性的关键绩效指标：

交易拦截器— 此组件可实时拦截高容量交易，将它们转换为一种容易被分析层理解的实时格式，以便在传入数据上执行实时分析。事务拦截器应能够集成并处理来自各种来源的数据，比如传感器、智能仪表、麦克风、摄像头、GPS 设备、ATM 和图像扫描仪。可以使用各种类型的适配器和 API 来连接到数据源。也可以使用各种加速器来简化开发，比如实时优化和流分析，视频分析，银行、保险、零售、电信和公共运输领域的加速器，社交媒体分析，以及情绪分析。

业务流程管理流程— 来自分析层的洞察可供业务流程执行语言 (BPEL) 流程、API 或其他业务流程使用，通过自动化上游和下游 IT 应用程序、人员和流程的功能，进一步获取业务价值。

实时监视— 可以使用从分析中得出的数据来生成实时警告。可以将警告发送给感兴趣的使用者和设备，比如智能电话和平板电脑。可以使用从分析组件生成的数据洞察，定义并监视关键绩效指标，以便确定操作有效性。实时数据可从各种来源以仪表板的形式向业务用户公开，以便监视系统的健康或度量营销活动的有效性。

报告引擎— 生成与传统商业智能报告类似的报告的能力至关重要。用户可基于从分析层中得到的洞察，创建临时报告、计划的报告或自助查询和分析。

推荐引擎— 基于来自分析层的分析结果，推荐引擎可向购物者提供实时的、相关的和个性化的推荐，提高电子商务交易中的转换率和每个订单的平均价值。该引擎实时处理可用信息并动态地响应每个用户，响应基于用户的实时活动、存储在 CRM 系统中的注册客户信息，以及非注册客户的社交概况。

可视化和发现— 数据可跨企业内外的各种联邦的数据源进行导航。数据可能具有不同的内容和格式，所有数据（结构化、半结构化和非结构化）可组合来进行可视化并提供给用户。此能力使得组织能够将其传统的企业内容（包含在企业内容管理系统和数据仓库中）与新的社交内容（例如 tweet 和博客文章）组合到单个用户界面中。

垂直层

影响逻辑层（大数据来源、数据改动和存储、分析和使用层）的所有组件的各方面都包含在垂直层中：

信息集成

大数据治理

系统管理

服务质量

信息集成

大数据应用程序从各种数据起源、提供程序和数据源获取数据，并存储在 HDFS、NoSQL 和 MongoDB 等数据存储系统中。这个垂直层可供各种组件使用（例如数据获取、数据整理、模型管理和交易拦截器），负责连接到各种数据源。集成将具有不同特征（例如协议和连接性）的数据源的信息，需要高质量的连接器和适配器。可以使用加速器连接到大多数已知和广泛使用的来源。这些加速器包括社交媒体适配器和天气数据适配器。各种组件还可以使用这一层在大数据存储中存储信息，从大数据存储中检索信息，以便处理这些信息。大多数大数据存储都提供了服务和 API 来存储和检索该信息。

大数据治理

数据治理涉及到定义指南来帮助企业制定有关数据的正确决策。大数据治理有助于处理企业内或从外部来源传入的数据的复杂性、量和种类。在将数据传入企业进行处理、存储、分析和清除或归档时，需要强有力的指南和流程来监视、构建、存储和保护数据。

除了正常的数据治理考虑因素之外，大数据治理还包含其他因素：

1、管理各种格式的大量数据。

2、持续培训和管理必要的统计模型，以便对非结构化数据和分析进行预处理。请记住，设置处理非结构化数据时的重要一步。

3、为外部数据设置有关其保留和使用的策略和合规性制度。

4、定义数据归档和清除策略。

5、创建如何跨各种系统复制数据的策略。

6、设置数据加密策略。

服务质量层

此层复杂定义数据质量、围绕隐私和安全性的策略、数据频率、每次抓取的数据大小和数据过滤器：

数据质量

1、完整地识别所有必要的数据元素

2、以可接受的新鲜度提供数据的时间轴

3、依照数据准确性规则来验证数据的准确性

4、采用一种通用语言（数据元组满足使用简单业务语言所表达的需求）

5、依据数据一致性规则验证来自多个系统的数据一致性

6、在满足数据规范和信息架构指南基础上的技术符合性

围绕隐私和安全的策略

需要策略来保护敏感数据。从外部机构和提供程序获取的数据可能包含敏感数据（比如 Facebook 用户的联系信息或产品定价信息）。数据可以来源于不同的地区和国家，但必须进行相应的处理。必须制定有关数据屏蔽和这类数据的存储的决策。考虑以下数据访问策略：

A、数据可用性

B、数据关键性

C、数据真实性

D、数据共享和发布

E、数据存储和保留，包括能否存储外部数据等问题。如果能够存储数据，数据可存储多长时间？可存储何种类型的数据？

F、数据提供程序约束（政策、技术和地区）

G、社交媒体使用条款

数据频率

提供新鲜数据的频率是多少？它是按需、连续还是离线的？

抓取的数据大小

此属性有助于定义可抓取的数据以及每次抓取后可使用的数据大小。

过滤器

标准过滤器会删除不想要的数据和数据中的干扰数据，仅留下分析所需的数据。

系统管理

系统管理对大数据至关重要，因为它涉及到跨企业集群和边界的许多系统。对整个大数据生态系统的健康的监视包括：

A、管理系统日志、虚拟机、应用程序和其他设备

B、关联各种日志，帮助调查和监视具体情形

C、监视实时警告和通知

D、使用显示各种参数的实时仪表板

E、引用有关系统的报告和详细分析

F、设定和遵守服务水平协议

G、管理存储和容量

G、归档和管理归档检索

I、执行系统恢复、集群管理和网络管理

J、策略管理

结束语

对开发人员而言，层提供了一种对大数据解决方案必须执行的功能进行分类的途径，为组织建议必需执行这些功能所需的代码。但是，对于想要从大数据获取洞察的业务用户，考虑大数据需求和范围通常会有所帮助。原子模式解决了访问、处理、存储和使用大数据的机制，为业务用户提供了一种解决需求和范围的途径。下一篇文章将介绍用于此用途的原子模式。

Java培训机构哪家好？

随着Java的持续火热，市面上的培训学校也如雨后春笋，发展越来越快。这其中，肯定有一些打着培训旗号“坑钱”的不良学校。大家对这样的问题如此关心，想必也深深考虑过落入这些学校的后果。那如何增强自己的眼力，判断其中的良莠，就显得尤为重要。

建议在选择时还是要自己去实地考察，多了解相关信息，自己做出判断。我们可以从几个方面来考虑：

1，学校口碑。一个学校怎么样，从校内学生的口中就可以得到真实口碑，建议多多实地考察，多问下校内学生，获取真实信息。

2，课程内容。学校的质量怎么样，肯定要着重考虑学校教学质量，看看上课的课程质量如何，课程是否有用，安排是否合理。除了理论课是否还有实战课。除了查询官网的课程信息，最好是直接到学校参与试听课。感受真实的授课环境和课程内容。

3，教师力量。课程再好也是老师来教，这时候就要了解学校的老师水平如何，看看有没有大企业的任职经验和多年的软件开发经验。

掌握了这些消息，你大概能够判断每个学校的优劣特点了，接下来就综合考虑其他因素做出选择。

当然，找到了靠谱的学校，并不意味着你就成功了，这还只是个开始。接下来如何发展，就完全看你自己的个人努力了，只要你真的努力付出心血了，那一定可以成功。

java学习路线

目前在职Java开发，我给出的Java学习路线是：

JavaSE--数据库--jdbc----前端基础--Javaweb--Spring--Mybatis--Maven--Springboot---Reids--Springcloud--Linux--Git。

JavaSE：java基础，既然是基础，那肯定是最重要的，所以学习的时候也是需要重点学习的地方。

数据库：为什么要学数据库呢，因为我们的web数据需要持久化到磁盘上统一管理，而数据库无疑就是最好工具。目前主流的关系型数据库有mysql 和oracle。我建议先学mysql。为什么呢mysql相比Oracle难度要低，而在国内应用场景又是最多的。

学会了mysql可以开发出一个完整的产品了，再学oracle都可以的。

前端基础：既然是做一个网站，那肯定不能是后台的数据，这样用户也是没办法看的，所以需要学习前端知识，把数据展示到页面上，而对于后台人员来说，学习阶段只需要学习前端基础就可以了。Html 、js、css、jquery就可以了。当然到离开后期你也可以学学专门为后端人员定制的前端框架，比如，layui，easyui。如果还觉得不够可以学学前端专用框架。比如vue  element ，但是大前提是把自己的后台学到位了再学其他的。

Javaweb：jsp、servlet。为什么用了html还要学jsp呢。因为jsp和Java是无缝连接的。学了javaweb以后就可以自己做一个项目出来了，比如你想做一个个人网站。你可以给你们学校做一个教务管理系统都是可以的。

Spring：后台框架。为什么要用框架呢，可以快速开发，并且降低了耦合。Spring的AOP支持允许将一些通用任务如安全、事务、日志等进行集中式管理，从而提供了更好的复用，Spring的ORM和DAO提供了与第三方持久层框架的良好整合，并简化了底层的数据库访问。

Mybatis：持久层框架，当然持久层还有一个框架应用也很广的，那就是hibernate，一个是半自动的一个是全自动，而在国内应用最多的是mybatis，在国外用得最多的是hibernate，具体原因，大家可以百度查查。持久层框架有什么好处呢？如果你用原始的jdbc做开发，那你得自己来管理每一个连接，连接的打开和关闭，都是有开发人员来操作的，而且jdbc也没有实体的映射，需要我们写代码把值set进去，而用了框架这些都交给框架去做了。

Maven：mavne是一个工具，他的核心是pom.xml，这个配置文件，pom的全英文是project  object model，意思是对象管理模型，也就是把项目也看成一个对象来操作了。给我们带来最直观的好处就是依赖问题，以前我们需要自己下载jar包，在构建到项目中，但是有了maven只需要写jar的依赖就可以自动给我们下载了。

Springboot：springboot是基于maven的，springboot最明显的特点就是开箱即用，也就是构建了一个springboot项目 直接就可以做开发了，而不需要像我们自己配一个springmvc的框架一样的需要去配置大量的xml文件。让我们开发人员更着重于业务上的开发。

Redis：前面的mysql，oracle是关系型数据库，什么是关系型呢，就是一对一 一对多  多对多。有表与表之间有这些关系在，所以就叫关系型数据库，而redis就是非关系型数据库，也就是他存储数据之间是没有这些关系，他是以键值对 list  set方式存储的。

对了，顺便在这里说一下，我目前是在职Java开发，如果你现在也在学习Java，了解Java，渴望成为一名合格的Java开发工程师，在入门学习Java的过程当中缺乏基础入门的视频教程，你都可以申请加入我的Java新手学习交流qun：前面输入是：前面输入是：七九八，中间输入是：八四四，最后输入是：六二零。里面聚集了很多正在学习Java技术的初学者，qun文件里面还有我做Java技术这段时间整理的一些学习手册，面试题，开发工具，PDF文档书籍教程，需要的话都可以来获取下载。

Springcloud：微服务框架，什么是微服务呢，就是把我们传统的单体服务拆分开了，就是将一个单体架构的应用按业务划分为一个个的独立运行的程序即服务，微服务架构其实就是一个分布式架构，具体的就不详细的讲了，因为这里面牵涉到的解决方案是灵活的。

Linux：linux的应用通常都是在底层，那我们上层开发人员为什么也要学它呢，其实我们的主要应用是在服务器上，也就是服务器的系统。当然系统也有Windows的，而Windows的和Linux的区别就是Windows服务器有问题是微软来解决，很方便：别人替你做，但也不方便：你遇到问题都得让他官方来解决漏洞，但是Linux就不一样，他是完全开源的，有问题自己马上就可以解决，只要开发人员能力够硬去改内核都是可以的。

Git：版本管理工具，与之对应的还有svn，最大的区别在于git是分布式系统，而svn不是分布式的，因为你们进企业以后都是协同开发  也就是一个项目小组里面几个小伙伴一起开发一个项目，所以就要有一个代码的管理工具来保证你们做的不同模块可以整合，所以说git也是需要学的。

滴滴打车原理浅谈

最近公司要做一款跟滴滴打车功能很类似的APP，就自己研究了一下滴滴打车的实现原理，纪录于笔。

首先，得有自己的服务器端，司机端APP通过GPS定位实时获取经纬度，有变化时发往服务端。后台有一张表，这张表保存了出租车每一秒的经纬度坐标，剩下的就是后台的检索，检索时，按二维坐标检索出指定位置最近的坐标即可。像微信，最近的好友都是这个原理。目前mongodb, postgresql,均支持二维索引，mysql通过插件虽然也支持，但效果差强人意。

接下来，回到前端，你需要在前端的地图上实时刷新，每隔一秒，就向后台请求一次当前车子的最新坐标，然后把车子的位置重新设置到这个坐标上来，这就实现了你说的移动、停止、等红灯

这期间服务端只负责用户过滤车数据转发，所以压力并不大，当然要提前做好内存表的索引。

当然服务端构架不可能是单机的，因为用户连接众多，整个服务集群的构架会比较复杂，几句话无法说清。

像滴滴打车这样的服务端是比较复杂的，用户众多，同时在线量可能超过百万，以单机带1w用户来说都需要100以上的业务服务端。这100w的在线用户分布到众多的服务端上，要进行数据过滤也不是像单机服务器那样一个内存表就搞定的。

关于打车中语音发送的问题：

1、乘客启动滴滴打车软件客户端;

2、点击“现在用车”，按住说话，发送一段语音说明现在所在具体的位置和要去的地方;

3、松开叫车按钮，叫车信息会以该乘客为原点，在90s内自动推送给直径3公里以内的出租车司机，司机可以在滴滴打车司机端一键抢应，并和乘客保持联系;

4、在乘客到达目的地下车需要支付车费时，即可使用滴滴打车合作伙伴微信支付和QQ钱包进行线上支付，既可享受免找零烦恼，也避免了假币，丢钱包等现象发生，完成了从打车到支付的一个完美闭环服务，让用户的出行尽在自己掌握。

滴快车，专车，指派订单根据司机所在的位置，推送距离司机最近的订单，并保证在指定时间内只推送给一个司机。一个订单,同一时间只派给一个司机。司机听单时,只需点击[接单]按钮确认接单。 如果在规定时间内未抢单,司机将不会再听到此订单。将会推送给其他司机。但不会出现接单失败的情况。

显示地图上司机的算法，可参考这篇文章

Java学习路线是怎样的？

第一阶段，Java SE基础：

Java环境搭建、Java流程控制语句-for循环、switch选择判断、循环嵌套、数组拷贝、多维数组、final关键字、构造函数的调用、类的访问权限和路径、面向对象高级特性、Java异常处理、Set，Map，List接口及接口实现类、Java线程、同步阻塞、JavaIO流、文件的操作，复制，读写，删除等。

第二阶段，JavaWeb：

MySQL安装、管理、创建数据库、MySQLUPDATE

查询、Mysql高级操作、JDBC、JDBC数据库连接操作，JDBC动态Sql处理、Servlet3.0 网页重定向、Servlet3.0

新增的注解支持、AJAX、responseText属性详解等。

第三阶段，Java高级框架-SSH：

Struts2异常处理、Struts2+Log4j集成、Struts2和JSON实例、Hibernate5、Hibernate集合映射、Hibernate组件映射、Spring4.0、SpringAOP+

AspectJ框架、Spring 与其它Web框架集成、Spring Hibernate支持等。

第四阶段，Java高级框架-SSM：

SpringMVC、Spring MVC生成JSON数据、MyBatis、MyBatis 环境配置及入门、Mybatis set标签、Mybatis trim标签、Shiro、Shiro快速入门教程、Shiro Web应用等。

第五阶段，SpringBoot+VUE全栈框架：

SpringBoot、全局异常处理、过滤器监听器、EHCache缓存、SpringBoot Quartz定时任务、Vue、Vue.js 安装、模板语法、计算属性、事件处理器、Vue.js 自定义指令、Vue.js 路由等

第六阶段，特色课程：

ActiveM环境搭建、生产者和消费者、消息持久化操作、RSA数字加密算法、Codebar条形码生成器、zxing二维码生成器、HighCharts统计图、Echarts统计图、网络播放器ckplayer、嵌入式网络播放器，可以浏览器和移动端随意使用

第七阶段，互联网框架的高级应用1：

分布式服务框架的理解，Dubbo架构设计详解及其核心要点，框架运行原理分析、SpringData数据访问、Lucene搜索引擎、Lucene的全文搜索服务器介绍、索引建立方式、Solr海量数据搜索引擎、Socket网络通信、实现RMI远程对象通讯、使用JMS消息服务、Kafka分布式消息系统、WebService与RestfulWS等

第八阶段，互联网框架的高级应用2：

Spring Security安全框架、实现Web应用安全控制、缓存应用与EhCache框架、OSCache与JBossCache框架、MyBatis与Hibernate缓存机制、NoSQL应用与SQL调优、MongoDB

NoSQL数据库、Redis内存数据库、实现RedisSession共享、SQL语句的优化、实现数据库读写分离、WEB应用集群及性能优化、Maven项目管理工具、Web服务器负载均衡、实现Nginx与Tomcat集群、使用LoadRunner测试工具、性能优化之内存调优、代码优化与重构的方法等。

对java有兴趣的小伙伴们，不妨先从java入门开始！B站上有很多的java教学视频，从基础到高级的都有，还挺不错的，知识点讲的很细致，还有完整版的学习路线图。也可以自己去看看，下载学习试试。

mongodb存储gps轨迹的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于mongodb数据库位置、mongodb存储gps轨迹的信息别忘了在本站进行查找喔。