Kategorie: Allgemein

Für die Geovisualisierung von Daten können neben GPS-Koordinaten auch Adressen verwendet werden. Dies kann vor allem sinnvoll sein, wenn verschiedene Detailebenen verwendet werden sollen. Das kann z.B. die Hierarchie Land à Postleitzahl à Adresse sein. Wenn von einer Lokation allerdings nur die GPS-Koordinaten vorhanden sind, muss noch das Land und die Postleitzahl herausgefunden werden, um eine solche Hierarchie abbilden zu können. Hierfür bietet z.B. google-Maps die Möglichkeit, die Koordinaten in Adressen umzuwandeln. Dafür muss die folgende Web-Adresse verwendet werden: „http://maps.googleapis.com/maps/api/geocode/json?latlng=x-Koordinate,y-Koordinate&sensor=true_or_false„. Der Aufruf der Adresse gibt ein json-Objekt zurück, welches Ausgewertet werden kann (auch eine Ausgabe im xml-Format ist möglich). Wenn nun natürlich viele Koordinaten umgewandelt werden müssen, kann z.B. ein Programm in C# entwickelt werden, welches automatisiert die Anfragen an google sendet und die Adressen abspeichert. Zu beachten in diesem Fall ist allerdings, dass nur eine bestimmte Anzahl an Anfragen von einer IP-Adresse von google bearbeitet wird. Wenn zu viele gesendet werden, wird keine Adresse zurückgegeben, sondern eine Meldung, dass an diesem Tag bereits zu viele Anfragen gestellt wurden.

Das Büro der ixto-GmbH in Berlin hat näherungsweise die folgenden GPS Koordinaten: Breitengrad 52,52527 und Längengrad 13,38742. Diese Koordinaten zeigen bei google-Maps auf den folgenden Punkt:

Da die Adresse bei google mit . statt , eingegeben werden muss, ist die Web-Adresse für die GPS-Koordinaten folgende: http://maps.googleapis.com/maps/api/geocode/json?latlng=52.52527,13.38742&sensor=true_or_false. Ein Ausschnitt aus dem Ergebnis wird folgend dargestellt:

Zusätzlich werden noch informationen u.a. zum Land, Bundesland und die Postleitzahl zur verfügung gestellt.

Vor einiger Zeit bestand ein Kunde darauf, dass im Data-Warehouse Tabellenrelationen mit Fremdschlüsseln realisiert werden. In diesem Zusammenhang fragten wir uns, welche Verschlechterung der benötigten Ladezeiten zu erwarten ist. Um dies zu testen, haben wir eine Faktentabelle mit 2.500.000 Zeilen gebaut, welche 44 Spalten enthält, wovon 20 als Fremdschlüssel genutzt werden. Die Fremdschlüsselspalten sind alle vom Datentyp Integer. Für den Vergleich wurde der Ladeprozess jeweils drei Mal mit und ohne Fremdschlüssel durchgeführt.

Die Durchschnittswerte der Ladezeiten werden in der folgenden Tabelle dargestellt.

 

Durch den Kundenwunsch Fremdschlüssel im Data-Warehouse einzusetzen, würde sich in diesem Kundennahen Szenario der Ladeprozess mehr als verdreifachen.