مقدمه

هر هفته، زیرساخت ابری GrabFood.com به بیش از 1 ترابایت ترافیک و 175 میلیون درخواست خدمت می‌کند که هزینه‌های ما را افزایش داده است. برای کاهش هزینه‌های ابری، ما باید به بهینه‌سازی (و کاهش) اندازه بسته GrabFood.com توجه کنیم.

کاهشی در اندازه بسته در کمک داشته باشد:

بارگیری سریع‌تر سایت! (به ویژه برای مناطق با سرعت پهنای باند موبایلی کمتر)صرفه‌جویی در هزینه برای کاربران: کاهش داده‌های مورد نیاز برای هر بار بارگیری سایتصرفه‌جویی در هزینه برای Grab: کاهش خروج شبکه مورد نیاز برای خدمت رسانی به کاربرانزمان بندی ساخت سریع‌تر: کمترین وابستگی -> کمترین کد برای بسته‌بندی webpack -> ساخت سریعترساخت کوچک‌تر: کمترین وابستگی -> کمترین کد -> ساخت کوچکتر

بعد از اعمال 7 بهینه‌سازی بسته webpack، ما توانستیم بهبودهای زیر را بدست آوریم:

7% کاهش زمان بارگیری صفحه از 2600 میلی ثانیه به 2400 میلی ثانیه66% کاهش زمان بارگیری دارایی استاتیک JS از 180 میلی ثانیه به 60 میلی ثانیه3 برابر کاهش اندازه دارایی‌های استاتیک JS از 750 کیلوبایت به 250 کیلوبایت1.5 برابر کاهش خروج شبکه از 1800 گیگابایت به 1200 گیگابایت20% کمترین هزینه برای CloudFront از 1750 دلار به 1400 دلار1.4 برابر کاهش اندازه بسته از 40 مگابایت به 27 مگابایتزمان ساخت 3.6 برابر سریعتر از حدود 2000 ثانیه به حدود 550 ثانیه

راه حل

یکی از بزرگترین عوامل تأثیرگذار بر اندازه بسته وابستگی‌ها است. همانطور که قبلاً گفته شد، کمترین وابستگی به معنای کمترین تعداد خطوط کد برای کامپایل است که به نتیجه کاهش اندازه بسته منجر می‌شود. بنابراین، برای بهینه‌سازی اندازه بسته GrabFood.com، ما باید به وابستگی‌های خود نگاهی بیندازیم.

Tldr;

برو بهگام C: کاهش وابستگی‌های خودبرای دیدن 7 راهکاری که ما برای کاهش اندازه بسته خود به‌کار بردیم.

مرحله A: شناسایی وابستگی‌های خود

در این مرحله، باید از خود بپرسیم 'بزرگترین وابستگی‌های ما کدامند؟' با استفاده ازwebpack-bundle-analyzer بسته‌بندی‌های GrabFood.com را بررسی کردیم. این کار به ما نمایی از تمام وابستگی‌های ما می‌دهد و به راحتی می‌توانیم ببینیم کدام دارایی‌های بسته بزرگتر هستند.

خروجی تجزیه بسته به ما امکان می‌دهد به راحتی بررسی کنیم که در بسته‌مان چه وجود دارد.

چه راهنمایی کردن:

۱: وابستگی‌های بزرگ (بسیار واضح است، زیرا اندازه جعبه بزرگ خواهد بود)

۲: وابستگی‌های تکراری (کتابخانه‌ای که چند بار در دارایی‌های مختلف بسته می‌شود)

۳: وابستگی‌هایی که به نظر نمی‌رسد متعلق شوند (به عنوان مثال، چرا 'elliptic' در بسته frontend من است؟)

چه چیزی را اجتناب کنیم:

تنها وابستگی‌های کوچکی که بسیار کوچک هستند (به عنوان مثال <20kb). به دلیل بازده بسیار کم از این روش خودداری کنید.به عنوان مثال، منطق کسب و کار مانند کد React شمابه عنوان مثال، وابستگی‌های کوچک نود

مرحله B: بررسی استفاده از وابستگی‌های خود (وابستگی‌های من کجا استفاده می‌شوند؟)

در این مرحله، سعی می‌کنیم به این سوال پاسخ دهیم: 'با توجه به یک وابستگی، کدام فایل‌ها و قابلیت‌ها از آن استفاده می‌کنند؟'.

دو رویکرد گسترده وجود دارد که برای شناسایی نحوه استفاده از وابستگی‌های خود می‌توان استفاده کرد:

۱: رویکرد بالا به پایین: 'پروژه ما وابستگی X را کجا استفاده می‌کند؟'

شناسایی مفهومی که قابلیت(ها) نیاز به استفاده از وابستگی X را دارد.

۲: رویکرد پایین به بالا: 'وابستگی X چگونه در پروژه من استفاده شد؟'

ردیابی وابستگی‌ها با ردیابی دستورالعمل‌های import() و require() به صورت دستی

توصیه ما این است که از ترکیب هر دو رویکرد بالا به پایین و پایین به بالا برای شناسایی و جداسازی وابستگی‌ها استفاده کنید.

کاربردی:

موقع ردیابی وابستگی‌ها، روشنقصاوی پیش بینی کنید: با استفاده از یک سند، پیشرفت خود را در هنگام ردیابی وابستگی‌های متقابل فایل‌ها را پیگیری کنید.

خطاها:

چسبیدن به یک رویکرد تک بعدی - بدانید کی باید بین رویکردهای بالا به پایین و پایین به بالا جابه‌جا شوید تا فضای جستجو را به حداقل برسانید.

مرحله C: کاهش وابستگی‌های خود

اکنون که می‌دانید بزرگترین وابستگی‌های خود وجود دارد و از آن‌ها کجا استفاده می‌شود، مرحله بعدی درک این است که چگونه می‌توانید وابستگی‌های خود را کوچکتر کنید.

اینجا 7 راهکاری که می‌توانید برای کاهش وابستگی‌های خود استفاده کنید:

توجه: این راهکارها به ترتیب صعوبت آورده شده‌اند - ابتدا به برداشت‌های آسان تمرکز کنید 🙂

۱. دستیابی تنبل به وابستگی‌های بزرگ و وابستگی‌های کمتر استفاده شده

مشابه استفاده از بارگیری تنبل برای تقسیم صفحات React بزرگ به منظور بهبود عملکرد صفحه، ما همچنین می‌توانیم کتابخانه‌هایی را تنبل بارگیری کنیم که به ندرت استفاده می‌شوند یا تا پیش از انجام عملیات‌های کاربری خاصی استفاده نشوند.

قبل از:

constcrypto=require(‘crypto’)constcomputeHash=(value,secret)=>{returncrypto.createHmac(value,secret)}

بعد از:

constcomputeHash=async(value,secret)=>{constcrypto=awaitimport(‘crypto’)returncrypto.createHmac(value,secret)}

مثال:

سناریو: استفاده از کتابخانه Anti-abuse قبل از فراخوانی‌های آسیب پذیر APIعملیات: به جای بسته‌بندی کتابخانه Anti-abuse همراه با دارایه اصلی صفحه، ما تصمیم گرفتیم تا کتابخانه را تنبل بارگیری کنیم تا زمانی که باید از آن استفاده کنیم (به اصطلاح، کتابخانه را فقط قبل از انجام برخی عملیات حساس API بارگیری کنید).نتایج: 400 کیلوبایت در دارایه اصلی صفحه ذخیره شد.

یادداشت:

۲. ادغام نمونه‌های تکراری ماژول‌ها

اگر یک وابستگی مشابه در چندین دارایی ظاهر شود، در نظر داشته باشید که این وابستگی‌های تکراری را تحت یک ورودی مشترک ادغام کنید.

قبل از:

// ComponentOne.jsximportGrabMapsfrom‘grab-maps’// ComponentTwo.jsximportGrabMaps,{Marker}from‘grab-maps’

بعد از:

// grabMapsImportFn.jsconstgrabMapsImportFn=()=>import(‘grab-maps’)// ComponentOne.tsxconstgrabMaps=awaitgrabMapsImportFn()constGrabMaps=grabMaps.default// ComponentTwo.tsxconstgrabMaps=awaitgrabMapsImportFn()constGrabMaps=grabMaps.defaultconstMarker=grabMaps.Marker

مثال:

سناریو: وابستگی‌های تکراری 'grab-maps' در بستهعملیات: مشاهده کردیم که یک وابستگی 'grab-maps' را در 4 دارایی مختلف بسته‌بندی می‌کنیم، بنابراین برنامه را به یک ورودی واحد تغییر دادیم تا فقط یک نمونه از 'grab-maps' را بسته می‌کنیم.نتایج: 2 مگابایت در اندازه کل بسته صرفه‌جویی شد.

یادداشت:

برخی از کتابخانه‌هایی که در چندین دارایی ظاهر می‌شوند (به عنوان مثال antd) نباید به عنوان وابستگی‌های همانی در نظر گرفته شوند. شما می‌توانید این را با با هم مقایسه نحوه نصب هر ماژول کنید. اگر محتواها متفاوت باشد، webpack کار خود را انجام داده است و تنها کد مورد استفاده توسط کد ما را وارد می‌کند.برای شناسایی این امر، webpack به import() وابستگی نیاز دارد تا تشخیص دهد کدام ماژول به‌طور صریح به عنوان بسته جداگانه بسته می‌شود (جهت اطلاعات بیشتر را ببینید).

۳. استفاده از کتابخانه‌هایی که به فرمت ES Modules صادر می‌شوند

اگر یک کتابخانه مشخص شده با توزیع ES Module وجود داشته باشد، از آن نسخه به جای نسخه معمولی استفاده کنید. ES Modules به webpack امکان می‌دهد به‌طور خودکار tree-shaking را انجام دهد و به این ترتیب می‌توانید در اندازه بسته خود صرفه‌جویی کنید زیرا کد کتابخانه استفاده نشده در بسته بسته نمی‌شود.با استفاده ازbundlephobia به سرعت اطلاعات را

مقدمه

در این عصر دیجیتال، شرکت‌ها مجموعه‌های متعددی از داده‌ها را جمع‌آوری می‌کنند که امکان پیگیری معیارها و عملکرد کسب و کار را فراهم می‌کنند. در طول سال‌ها، ابزارهای تحلیل داده برای ذخیره و پردازش داده از روزهای ورقه‌های اکسل و ماکروها به ابزارهای پیشرفته مدل Map Reduce مانند Spark، Hadoop و Hive تکامل یافته‌اند. این تحول به شرکت‌ها، از جمله Grab، امکان تحلیل مدرن داده‌ها در Data Lake را فراهم کرده است و از این رو به آن‌ها اجازه می‌دهد تا تصمیمات تجاری مبتنی بر داده‌ها را بهبود بخشند. این نوع داده در این سند به عنوان "داده‌های آفلاین" ارجاع می‌شود.

با نوآوری‌ها در فناوری پردازش جریان مانند Spark و Flink، اکنون بیشتر علاقه به به دست آوردن ارزش از داده‌های جریانی وجود دارد. این نوع داده‌های تولید شده پیوسته به حجم زیاد در این سند به عنوان "داده‌های آنلاین" ارجاع می‌شود. در زمینه Grab، داده‌های جریانی معمولاً به عنوان موضوعات Kafka ("Kafka Stream") به عنوان نتیجه‌ی پردازش جریان در چارچوب خود موجود هستند. این داده‌ها تا زمانی که در آخر به عنوان داده‌های آفلاین در Data Lake مستقر شوند، اکثراً کشف نشده‌اند (مراحل سفر داده را در شکل 1 زیر مشاهده کنید). این باعث تأخیر داده شده است قبل از استفاده توسط تحلیلگران داده برای تصمیم‌گیری.

همانطور که در شکل 1 بالا می‌بینید، زمان به ارزش ("TTV") داده‌های آنلاین نسبت به داده‌های آفلاین کوتاه‌تر است به دلیل روش ساده‌تر نمایش داده‌ها در سفر داده از تولید داده تا تجزیه و تحلیل داده که پیچیدگی‌های پاکسازی و تبدیل داده را برداشت کرده است. این به این معنی است که نقش تحلیلگر داده یا دانشمند داده ("کاربر داده پایانی") برای داده‌های آنلاین تا مرحله Kafka فعال شده است به جای مرحله Data Lake برای داده‌های آفلاین. ما درک می‌کنیم که اجازه دادن به کاوش داده‌های آنلاین در ابتدا به کاربران پایانی داده، امکان برقراری زمینه را برای آنها فراهم می‌کند تا متناسب با ورودی‌های داده‌ای که در مرحله اول استفاده می‌شوند، متناسب با آنها روند راه‌حل را ایجاد کنند. این می‌تواند به آنها کمک کند تا داده‌های آفلاین را در مراحل بعدی به شکل معنی‌دارتری پردازش کنند. به دنبال تکامل برنامه های جریانی برای داده‌های آنلاین یا ادامه پردازش داده‌های آفلاین با راه‌حل فعلی خود هستند، اما با درک و استراتژی منطقی کامل و قابل تصمیم‌گیری در برابر ورودی‌های داده منابعشان. با این حال، البته، در این وبلاگ، می‌پذیریم که نمی‌توان همه تجزیه و تحلیل داده‌های آنلاین را به این شیوه انجام داد.

مشکلات موجود

داده‌های آنلاین به دلیل دشواری در انجام کاوش داده در داده‌هایی که هنوز به درستی در Data Lake ذخیره نشده‌اند، به طور اصلی در مجله زیبایی و درمانی آذروت استفاده نمی‌شوند.

به منظور این وبلاگ، ما تنها به مشکل کاوش داده‌های آنلاین تمرکز خواهیم کرد، زیرا این مشکل پیش‌نیاز برای مستقر کردن کامل این داده‌ها است.

مشکل کاوش داده نمایان می‌شود وقتی کاربران پایانی داده باید داده‌های مناسب را برای توسعه و پایه‌گذاری مدل‌های داده خود پیدا کنند. این کاربران عموماً نیازمند مشاهده اسناد متعدد و اتصال با چندین تولید کننده داده از بالادست هستند تا محدوده سیگنال‌های داده‌ای که در حال حاضر در دسترس هستند را بدانند و درک کنند که هر سیگنال داده به چه چیزی نگاه می‌کند.

با توجه به طبیعت اجازی نداشتن داده‌های آنلاین، این به این معنی است که عدم بهره‌برداری صحیح از ابزار مناسب برای انجام آزمایشات سریع با منطق برنامه در داده‌های آنلاین، مانع از کاربران پایانی برای کار روی این داده‌ها می‌شود. تست تکراری روی مجموعه داده دقیقاً همانند این مجموعه داده در داده‌های آفلاین به سادگی قابل انجام است.

این دشواری در انجام کاوش داده، از جمله پرس‌وجوهای اد هاک در داده‌های آنلاین، باعث شده است که توسعه برنامه های پردازش جریانی برای کاربران پایانی داده در Grab دشوار شود و مانع از ارتقای Grab به تصمیمات عملی مبتنی بر داده شود. انجام هر دو کار، به مجله‌ی زیبایی و درمانی آذروت امکان می‌دهد تا به تغییرات ناگهانی در منظر کسب و کار خود سریعتر واکنش نشان دهد.

استفاده از محیط دفترچه یادداشت Zeppelin

برای رفع دشواری در انجام کاوش داده در داده‌های آنلاین، ما Apache Zeppelin را با استفاده از یک یادداشت کتابچه وب معرفی کرده‌ایم که تحلیل داده‌های تعاملی با پشتیبانی از چندین مفسر برای کار کردن با پردازش داده‌های مختلف مانند Spark، Flink را ممکن می‌سازد. راه‌حل کامل محیط یادداشت Zeppelin تحت کنترل دستگاه کنترل پلتفرم داده جاری ما است. اگر علاقه‌مند هستید، می‌توانید وبلاگ پیشین ما با عنوان یک پلتفرم شیک برای جزئیات بیشتر در مورد پلتفرم جریانی مذکور و پلتفرم کنترل آن را بررسی کنید.

همانطور که از شکل 2 بالا می‌بینید، پس از ایجاد موفق خوشه Zeppelin، کاربران می‌توانند با اعتبار ساخته شده خود و یادداشت کتابچه مبتنی بر وب که از طریق پیام‌رسان فوری یکپارچه ارسال شده است وارد شده و از محیط یادداشت استفاده کنند.

شکل 3 بالا جریان برنامه یادداشت Zeppelin را توضیح می‌دهد به شرح زیر:

کاربران پرس‌وجوهای خود را به جلسه یادداشت وارد کرده و دستورات پرس‌وجوی تعاملی را با جلسه یادداشت کتابچه مبتنی بر وب برقرار می‌کنند. پرس‌وجوها به مفسر Flink در داخل خوشه منتقل می‌شوند تا با تولید کار Flink به عنوان یک فایل Jar، به یک خوشه جلسه Flink ارسال شود. وقتی مدیر کار خوشه جلسه Flink کار را دریافت کند، تامین کننده‌های تسک Flink متناظر را برای اجرای برنامه راه‌اندازی می‌کند و نتایج را بازیابی می‌کند. نتایج پرس‌وجو سپس به جلسه یادداشت برگشت داده می‌شوند تا به کاربر در جلسه یادداشت نمایش داده شوند.

پرس‌وجو و تجسم داده

Flink برنامه راهبردی برای ایجاد یک زبان جمعی برای همه‌چیز از پردازش جریان تا تجزیه و تحلیل داده دارد. به تطابق با نقشه راه، ما برنامه Zeppelin خود را بر اساس پشتیبانی از زبان پرس‌وجوی ساختاری ("SQL") به عنوان زبان پرس‌وجوی انتخاب شده مشاهده می‌کنیم، همانطور که در شکل 4 بالا نشان داده شده است. کاربران پایانی داده اکنون می‌توانند پرس‌وجوها را با استفاده از SQL که یک زبان است که با آن آشنا هستند، بنویسند و کاوش داده مناسبی انجام دهند.

همانطور که در این بخش بحث شد، کاوش داده در داده‌های جریانی در مرحله Kafka با استفاده از ابزار مناسب، به کاربران پایانی امکان مشاهده سریعی از طریق درک جدیدی از طرح فعلی یک موضوع Kafka (در بخش بعد توضیح داده شده است) فراهم می‌کند. این نوع کاوش داده به کاربران پایانی این امکان را می‌دهد تا نوع داده‌ای که موضوع Kafka را نشان می‌دهد را درک کنند، مانند توانایی تعیین اینکه یک فیلد داده کد کشور به چه صورتی است، آیا در فرمت الفبایی یا الفبایی-3 است، در حالی که داده هنوز بخشی از داده‌های جریانی است. این ممکن است به نظر غیرمهم و در داده‌های آفلاین به راحتی شناسایی شوند، اما با فراهم کردن کاوش داده در مرحله اول در سفر داده برای داده‌های آنلاین، کاربران پایانی این امکان را خواهند داشت تا به سرعت واکنش نشان دهند. به عنوان مثال، تغییر فرمت مورد انتظار کد کشور از تولید کننده داده به طور معمول باعث خطاها در اتصالات پایینی یا سایر خطوط پردازش جریانی می‌شود که ناهم‌خوانی ها مربوط به تجزیه‌کردن یا فیلتر کردن کدهای کشور تغییر یافته را دارند. کاربران می‌توانند با استفاده از داده‌های آنلاین از Kafka، مشکل را بررسی کنند.

علاوه بر ویژگی‌های پرس‌وجویی، یادداشت کتابچه Zeppelin تجسم ساده و تجزیه و تحلیلی از داده‌های فروشگاهی آماده را در شکل 5 بالا ارائه می‌دهد. علاوه بر این، کاربران اکنون قادر خواهند بود پرس‌وجوهای تعاملی اد هاک را روی داده‌های آنلاین انجام دهند. این پرس‌وجوها در نهایت به پرس‌وجوهای SQL پیشرفته و/یا موثرتری تبدیل می‌شوند که بعداً به عنوان یک خط لوله جریانی استفاده می‌شوند. این باعث کاهش اینرسی در راه‌اندازی یک محیط توسعه مجزا یا یادگیری زبان‌های برنامه‌نویسی دیگر مانند جاوا یا اسکالا در طول فرایند توسعه خطوط جریانی می‌شود. با محیط یادداشت لیستی، کاربران پایانی داده ما قادر تر هستند به سرعت ارزشی از داده‌های آنلاین بدست آورند.

نیاز به فرآیند مشتق‌سازی جدول تعریف پویا

برای کاربران پایانی که داده را در داده‌های آنلاین کاوش می‌کنند، ما به نیاز به نتایج زبان تعریف داده (“DDL”) مرتبط با جریان Kafka در مرحله اولیه‌ی سفر داده نگاه می‌کنیم. با وجود اینکه جریان‌های Kafka در فرمت Protobufformat انتقال می‌یابند و ازینرو

مقدمه

جنوب شرق آسیا (SEA) بازاری پویا است که با سایر مناطق دنیا بسیار متفاوت است. در زمان سفر در جاده، شما ممکن است محدودیت‌های جاده که به سرعت تغییر می‌کنند، جاده‌های جدیدی که شبانه‌روزها ظاهر می‌شوند و ترافیک شدید را تجربه کنید. برای پاسخ به این چالش‌ها، GrabMaps با بهره‌گیری از راه حل‌های داده‌های بزرگ، به بازار SEA تطبیق پیدا کرده است. یکی از راه حل‌ها تلفیق داده‌های فوق محلی در GrabMaps است.

اطلاعات فوق محلی بر اساس جوامع جغرافیایی بسیار کوچک و از دانش محلی‌ای که تیم نقشه‌برداری ما جمع آوری می‌کند، تمرکز دارد. تیم نقشه‌برداری ما در سراسر منطقه SEA پراکنده است که به ما امکان می‌دهد مشخصات دقیقی را تعیین کنیم (مثلاً محدودیت سرعت قانونی) و اثبات کنیم که راه حل‌های ما قابلیت عملی دارند.

وارد کردن ورودی‌های فوق محلی باعث می‌شود داده‌های نقشه‌برداری ما قوی‌تر شوند و به جزئیاتی که از لوله‌های تشخیص تصویر و پروب جمع‌آوری می‌شود افزوده شوند. شکل ۱ نشان می‌دهد که چگونه داده‌های لوله‌های تشخیص ما با داده‌های فوق محلی تراکم می‌یابد و سپس در سراسر منطقه SEA نقشه‌برداری می‌شوند. اگر کنجکاو هستید و دوست دارید خودتان داده‌ها را بررسی کنید، می‌توانید آن را از اینجا دانلود کنید.

پردازش داده‌های فوق محلی

حالا بیایید فرایند شناسایی داده‌های فوق محلی را بررسی کنیم.

دانلود داده

GrabMaps براساس OpenStreetMap (OSM) است. اولین مرحله در فرایند، دانلود فایل .pbf برای آسیا از سایت geofabrick.de است. این فایل .pbf شامل تمام داده‌هایی است که در OSM در دسترس است، مانند جزئیات از مکان‌ها، درختان و جاده‌ها. به عنوان مثال برای یک پارک، فایل .pbf شامل داده‌هایی از نام پارک، دسترسی به ویلچر و بسیاری دیگر است.

برای این مقاله، ما بر روی داده‌های فوق محلی مربوط به شبکه جاده تمرکز خواهیم کرد. برای هر جاده، می‌توانید اطلاعاتی مانند نوع جاده (مسکونی یا بزرگراه)، جهت ترافیک (یک‌طرفه یا بیشتر) و نام جاده را دریافت کنید.

تبدیل داده

برای استفاده از محاسبات داده‌های بزرگ، مرحله بعدی در فرآیند تبدیل فایل .pbf به پرونده Parquet با استفاده از یک Parquetizer است. این کار باعث تبدیل داده‌های دودویی موجود در فایل .pbf به یک قالب جدول می‌شود. هر جاده در SEA در قالب یک ردیف در یک جدول نشان داده می‌شود که در شکل ۲ نمایش داده شده است.

شناسایی داده‌های فوق محلی

پس از آماده‌سازی داده‌ها، GrabMaps سپس همه داده‌های فوق محلی را شناسایی و وارد خدمات پایین دست خود می‌کند و یک دید تجمیعی را ارائه می‌دهد. داده‌های فوق محلی ما از منابع مختلف به دست می‌آیند، با نگاه به هندسه یا ویژگی‌های دیگر در OSM مانند جهت حرکت و محدودیت سرعت. ما همچنین قوانین سفارشی تعریف شده توسط تیم نقشه‌برداری محلی خود را به طور کاملاً خودکار اعمال می‌کنیم. این باعث بهبود نقشه همراه با داده‌های جمع‌آوری شده از سیستم GPS رانندگی و تحویل ما و از KartaView، محصول Grab برای جمع‌آوری تصاویر، می‌شود.

مزیت داده‌های فوق محلی GrabMaps ما

GrabNav، ابزار مسیریابی با دور به دوری در اپ راننده، یکی از محصولات ماست که از داشتن داده‌های فوق محلی بهره می‌برد. در ادامه خبرهای فوق محلی ای که از طریق رویکرد ما در دسترس است آورده شده است:

موقعیت جغرافیایی جاده: کشور، ایالت/شهر یا شهری که جاده در آن قرار داردزبان صحبت، سمت رانندگی و محدودیت سرعتمقررات سرعت پیش‌فرض منطقه مشخصاستفاده همگرا از نام با استفاده از استنتاج زبانصفات پیچیده مانند پیوندهای تقاطع

برای توضیحات بیشتر در مورد مزیت این ویژگی فوق محلی، از پیوندهای تقاطع به عنوان مثال استفاده می‌کنیم. در بخش بعدی، توضیح می‌دهیم که چگونه داده‌های پیوندهای تقاطع استفاده می‌شود و چگونه بر روی رانندگان و مسافران ما تأثیر می‌گذارد.

شناسایی داده‌های فوق محلی - پیوندهای تقاطع

پیوند تقاطع زمانی است که دو یا چند جاده به هم می‌رسند. شکل ۴ و ۵ نشان می‌دهند یک پیوند تقاطع در یک نقشه تقلبی GrabMaps و در OSM چگونه به نظر می‌رسد.

برای پیدا کردن پیوندهای تقاطع در شبکه جاده، محاسباتی وجود دارد. ابتدا ما پردازش داده‌های بزرگ را که با استفاده از Spark انجام می‌دهیم، با گرافها ترکیب می‌کنیم. ما از geohash به عنوان واحد پردازش استفاده می‌کنیم و برای هر geohash یک گراف دوطرفه ایجاد می‌شود.

از چنین گرافهای حاصل، می‌توانیم پیوندهای تقاطع را تعیین کنیم اگر:

قطعه جاده‌ها موازی هستندجاده‌ها هم نام هستندجاده‌ها جاده‌های یک طرفه هستندزاویه ها و شکل جاده در بازه یا نیازهای ما باشند

هر پیوند تقاطعی که شناسایی می‌کنیم، به عنوان پیوندهای تقاطع در نقشه با برچسب intersection_links نشان داده می‌شود. تیم خدماتی پایین دست ما می‌توانند سپس آنها را با جستجوی برچسب شناسایی کنند.

تأثیر

تأثیری که با ایجاد پیوندهای تقاطع به وجود می‌آوریم را می‌توان از طریق مثال زیر توضیح داد.

شکل ۶ و شکل ۷ دو مسیر متفاوت برای یک مبدأ و مقصد مشابه نشان می‌دهند. با این حال، می‌توانید مشاهده کنید که شکل ۷ یک مسیر کوتاه‌تر دارد و این امکان با انجام یک پیوند تقاطع در ابتدای مسیر فراهم می‌شود. قطعه جاده مشخص شده در شکل ۷ یک پیوند تقاطع است که توسط فرایندی که قبلاً توضیح دادیم، برچسب گذاری می‌شود. حالا مسیر بسیار کوتاه‌تر است و باعث می‌شود GrabNav در پیشنهاد مسیر خود بهتر عمل کند.

عوامل بسیاری می‌توانند بر سفر یک راننده تأثیر بگذارند و پیوندهای تقاطع فقط یک مثال است. امکانات بسیاری که GrabMaps برای خدمات Grab ارائه می‌دهد وجود دارد که به ما امکان می‌دهد تا در خدمت رسانی به رانندگان خود «بیشترین خدمت را ارائه دهیم».

نتیجه‌گیری

GrabMaps و GrabNav تجربیات غنی‌تری را برای رانندگان خود ارائه می‌دهند. با تلفیق ویژگی‌های خاص داده‌های فوق محلی، ما همچنین قادر به ارائه قیمت دقیق‌تر برای هر دوی رانندگان و مسافران خود هستیم. در مسیر رشد پایدار خود، این یک حوزه است که با بهره‌گیری از راه‌حل‌های فناورانه قابل ارتقا خواهیم بود.

به ما بپیوندید

مجله زیبایی و درمانی آذروت یک پلت فرم superapp پیشرو در جنوب شرق آسیا است که خدمات روزمره‌ای که برای مصرف‌کنندگان اهمیت دارند را ارائه می‌دهد. این اپلیکیشن تنها یک اپلیکیشن سفارش اتومبیل و تحویل غذا نیست، بلکه خدمات متنوعی را در منطقه ارائه می‌دهد، از جمله خدمات حمل و نقل، غذا، پیک و خرید خدمات بسته ای و خرید محصولات خوراکی، پرداخت‌های تلفن همراه و خدمات مالی در ۴۲۸ شهر در هشت کشور.

با قدرت فناوری و با احساس، ماموریت ما این است که جنوب شرق آسیا را به جلو ببریم و برای همه به ایجاد قدرت اقتصادی بپردازیم. اگر این ماموریت برای شما جذاب است، امروز به تیم ما بپیوندید!