Mark Litwintschik 在 Reverse Geocoding with Overture Maps 一文中展示了如何用 DuckDB 的 Spatial 扩展处理地理空间数据。说穿了就是给 DuckDB 装个 Spatial 扩展，让 SQL 能处理点、线、多边形这些地理空间数据。
是什么
DuckDB 的 Spatial 扩展提供了地理空间数据类型和函数，让你能用 SQL 直接处理经纬度坐标、多边形边界等空间数据。安装和加载只需要两条命令，
INSTALL spatial; LOAD spatial;
INSTALL spatial 只需要执行一次——扩展文件会下载到本地扩展目录，不会每次重复下载。 LOAD spatial 则在每次连接中加载扩展。
加载后，DuckDB 就支持了一个核心类型和一批空间函数，
- 核心类型
GEOMETRY，点（POINT）、线（LINESTRING）、多边形（POLYGON）等 - 常用函数 ，
ST_Point（创建点）、ST_Distance（计算距离）、ST_Intersects（判断是否相交）、ST_Area（计算面积）、ST_Centroid（求中心点）、ST_AsText（转为可读文本）
DuckDB Spatial 默认用经纬度坐标（EPSG:4326）， ST_Distance 返回的是 度数 ，不是公里或米。要换算成实际距离得做投影转换，但后文示例只展示函数用法，不涉及投影。
为什么不用专门的 GIS 数据库
如果只是做简单的空间查询，架一个 PostGIS 太重了。DuckDB 的优势在于它是嵌入式数据库，不需要单独部署；用 SQL 接口，不需要学 GIS 专用语言；还能直接读 CSV、Parquet、JSON 中的数据做空间分析，不用先导入。
当然 DuckDB Spatial 不是 PostGIS 的替代品，它不支持空间索引（至少目前不是原生支持的），复杂空间操作也更有限。但对于「这个点在哪个国家」「离我最近的地址是什么」这类逆地理编码场景，它够用了。
怎么做
以下示例使用 Python 操作 DuckDB，需先安装 duckdb 包：
pip install duckdb
示例 1：创建点和计算距离
ST_Point(lon, lat) 创建一个点， ST_Distance(a, b) 计算两个点的距离：
import duckdb con = duckdb.connect(database=':memory:') con.sql('INSTALL spatial; LOAD spatial') res = con.sql(""" SELECT ST_AsText(ST_Point(116.4, 39.9)) AS beijing, ST_AsText(ST_Point(121.47, 31.23)) AS shanghai, ST_Distance(ST_Point(116.4, 39.9), ST_Point(121.47, 31.23)) AS dist """).fetchone() print(f"北京: {res[0]}") print(f"上海: {res[1]}") print(f"距离 (度数): {res[2]}")
输出：
北京: POINT (116.4 39.9) 上海: POINT (121.47 31.23) 距离 (度数): 10.043594973912473
ST_AsText 把二进制的几何对象转成可读的 WKT（Well-Known Text）格式。10.04 是度数，不是实际距离——要换算成公里需要做投影转换。
示例 2：判断点是否在多边形内
用 ST_GeomFromText 从 WKT 字符串创建多边形，然后用 ST_Intersects 判断一个点是否落在多边形范围内：
import duckdb con = duckdb.connect(database=':memory:') con.sql('INSTALL spatial; LOAD spatial') res = con.sql(""" WITH bounds AS ( SELECT ST_GeomFromText( 'POLYGON((115.4 39.4, 117.0 39.4, 117.0 40.2, 115.4 40.2, 115.4 39.4))' ) AS geom ) SELECT ST_Intersects(geom, ST_Point(116.4, 39.9)) AS tiananmen_in_beijing, ROUND(ST_Area(geom)::numeric, 2) AS area_degrees, ROUND(ST_X(ST_Centroid(geom)), 1) AS cx, ROUND(ST_Y(ST_Centroid(geom)), 1) AS cy FROM bounds """).fetchone() print(f"天安门在北京范围内: {res[0]}") print(f"多边形面积 (平方度): {res[1]}") print(f"中心点: POINT ({res[2]} {res[3]})")
输出：
天安门在北京范围内: True 多边形面积 (平方度): 1.28 中心点: POINT (116.2 39.8)
这里用了一个简化的北京边界多边形（115.4°E–117.0°E, 39.4°N–40.2°N）。天安门坐标（116.4, 39.9）确实落在这个范围内。 ST_Area 返回面积（度数²）， ST_Centroid 返回多边形的中心点。
示例 3：从 CSV 读数据做最近邻查询
实际场景中，地理数据通常存在文件里。DuckDB 的 read_csv_auto 可以直接加载 CSV，结合空间函数做分析。
先准备一份城市坐标数据：
city,lon,lat Beijing,116.4,39.9 Shanghai,121.47,31.23 Guangzhou,113.26,23.13 Shenzhen,114.06,22.55 Chengdu,104.07,30.57 Wuhan,114.27,30.58
然后查询离某个点最近的三个城市：
import duckdb con = duckdb.connect(database=':memory:') con.sql('INSTALL spatial; LOAD spatial') res = con.sql(""" WITH cities AS ( SELECT city, ST_Point(lon, lat) AS geom FROM read_csv_auto('/tmp/cities.csv') ) SELECT city, ST_Distance(geom, ST_Point(113.5, 22.5)) AS dist FROM cities ORDER BY dist LIMIT 3 """).fetchall() for row in res: print(f"{row[0]}: {row[1]:.4f} deg")
输出：
Shenzhen: 0.5622 deg Guangzhou: 0.6742 deg Wuhan: 8.1166 deg
查询点 (113.5, 22.5) 大致在珠江口位置。深圳和广州自然最近，武汉远得多。整个过程就一个 CSV 文件加几行 SQL。
总结
DuckDB Spatial 扩展最常用的函数无非是 ST_Point 创建几何对象， ST_Distance 算距离， ST_Intersects 做空间过滤。配合 read_csv_auto 等文件读取函数，不用上 PostGIS 也能搞定常见的地理空间查询任务。
不过 DuckDB Spatial 目前不支持原生空间索引，数据量大时性能会下降。小型数据集和原型验证是它的舒适区。