之前介绍了如何使用PG与PostGIS搭建实时矢量瓦片服务，但未介绍如何做优化，对于日常项目使用基本可以满足。这篇文章主要试介绍如何浏览百万级要素，示例为300万点要素。

《基于PG与PostGIS搭建实时矢量瓦片服务》：https://blog.csdn.net/qq_35241223/article/details/106439268

对于某些应用场景，数据量很容易达到百万级要素，数据每天都在改变。而且还要考虑在1-6级这种小级别时候的数据展示，那么这个时候仅仅是PG与PostGIS简单的矢量瓦片服务比较困难达到客户想要的效果，这个时候就要考虑做一些优化了。

百万级要素优化对于不同的业务来说，有相应不同的解决办法，没有最好，只有更好，这个时候要做考量，下面介绍几个常用的会考虑使用的方法：

1、依据业务，对要素进行抽稀过滤

根据业务层面，在不同场景浏览不同的要素，虽然总的要素在几百万，但是这个时候过滤一部分后剩余要素可以进行实时矢量瓦片展示。

2、几种抽稀过滤的算法

1）道格拉斯-普客算法（DP）

该算法个人理解为是简化的算法，对于线或者面的边界，可以使用该算法对节点进行抽稀，达到对线或者面的简化。但是为什么在点要素抽稀过滤中也介绍该算法呢？

答案：在轨迹数据中，每一次存储的都是点位信息（点），所以对于该种数据可以使用该算法进行过滤，但是对于一个点即代表一种信息的数据来说，该算法不太适用。

2）基于网格的抽稀过滤算法

该算法结果为均匀分布。

本人写了一个简单的实现，供各位参考。

github链接：https://github.com/MrSmallLiu/point_dilution

3）基于距离的抽稀过滤算法

该算法结果为均匀分布。

4）基于随机数的抽稀过滤算法

该算法结果可以保持数据疏密。

对于大数据量时的随机数，可以达到伪随机性，所以可以利用该算法进行随机性的抽稀。

使用的局限：

5）基于网格与随机数抽稀过滤算法

该算法结果可以保持数据疏密。

该算法弥补了单纯基于数据数的一些局限性，不会导致数据存在缺块（对于大数据量，可能性微乎其微）。

6）基于距离并保持疏密程度的抽稀过滤算法

该算法结果可以保持数据疏密。

以上即为介绍的几种抽稀过滤算法，可以在合适的场景使用合适的方式。其中虽然有些算法存在局限性（基于随机数的算法），但是对于大数据量来说，可能性很低，并且效率极高，可以做到实时，以下效果也是采用该方法。

示例：

效果图：

以上优化方法仅为个人的一些经验以及思路，有错误的地方欢迎留言，一起交流，向您学习。