高考考试网
当前位置: 首页 高考资讯

纯真ip数据库怎么使用(纯真网络ip地址查询)

时间:2023-07-10 作者: 小编 阅读量: 6 栏目名: 高考资讯

据wiki上统计,中国的IPv4数量达到3.3亿,而美国有15.4亿个。该区域大小为2048*8bytes,由2048个8bytes的header索引块组成。数据区保存的数据,数据格式如下:中国|华南|广东省|深圳市|鹏博士,分别表示国家,区域,省份,城市,运营商索引区索引区是由索引块构成,每个索引块占12字节,包括起始IP,结束IP,数据信息。每一条索引块对应ip.merge.txt中的一条记录,表示一个IP段的索引。),并将索引块暂存在indexPool链表中。

在移动互联网的应用中,经常需要根据用户的位置信息等做一些用户侧信息的统计分析。而要拿到用户的位置信息,一般有两个方法: GPS 定位的信息和用户 IP 地址。由于每个手机都不一定会打开 GPS,而且有时并不太需要太精确的位置(到城市这个级别即可),所以根据 IP 地址入手来分析用户位置是个不错的选择。 要做到这个功能得需要一个 IP 和地理位置的映射关系库,并依赖这个库启动一个 IP 转地理位置的服务。本文从需求入手,结合 Github 上拥有 8.4k 星的 ip2region 来分析映射关系库的设计以及 IP 如何快速转换成地理位置。

介绍

IP 定位服务很常见,而且很多公司都提供了类似的付费服务,比如阿里,高德,百度等,当然也有公开的免费服务,像 GeoIP,纯真IP等。这些服务要么通过 HTML 页面解析,要么通过接口请求,但不管怎样都离不开一次 http 请求,更不用说大部分服务都对 QPS 作了限制。下表枚举了一些常见的通过 IP 获取地址的方式。

在日常工作通常需要将大量用户请求日志中 IP 转换成用户位置信息,用作后续的分析。这其中的关键是数据量大,处理要快。显然每次都通过请求 API 公共服务的方式无法满足我们的日常需求。

暴力生成 IP 库

对于日常的需求,一种简单粗暴的做法就是提前通过 API 获取所有公网 IP 对应的位置信息,按照下面的 TIPS 中我们可以估算出如果通过访问淘宝IP地址库来遍历 3.3 亿的国内 IP 地址要 10 年。如果是高德的企业用户遍历国内 IP 地址大概要 11 天。感觉这个 11 天还是能够接受的。

TIPS: IPv4目前所说的 IP 地址是指 IPv4,它是使用 32 位(4 字节)地址,因此地址空间约有 42.9 亿$2^32=4294967296$个, 不过一些地址是作为特殊用途所保留的,如专用网络(约 1800 万个)和多播地址(约 2.7 亿个),这些减少了可在互联网上路由的地址数量。 据 wiki 上统计,中国的 IPv4 数量达到 3.3 亿,而美国有 15.4 亿个。

这里我们约定一下位置信息的数据格式: 国家|区域|省份|城市|ISP,如果接口中返回的字段没有对应的信息,则对应的字段填充0。那么我们通过顺序请求 API 服务可以获取到如下文件数据(地址依次递增):

0.0.0.0|0|0|0|内网IP|内网IP0.0.0.1|0|0|0|内网IP|内网IP...1.0.15.255|中国|0|广东省|广州市|电信...255.255.255.255|0|0|0|内网IP|内网IP

只要有了这个文件,可以将其读到内存中,使用字典保存,键为 IP 地址,值为位置信息。程序可以在 O(1) 时间复杂度内返回位置信息,不过该程序或文件占用的大小我们可以粗略的计算一下。 假定我们使用 utf-8 进行存储,一条记录最短的情况是 0.0.0.0|0|0|0|0|0,占用17个字节,IP 库文件的大小为 17*4294967296 = 73014444032 B = 71303MB = 71GB。这个大小是任意一个程序不能接受的。

空间优化

IP 库文件优化

从上面的文件数据发现大量的相邻 IP 拥有相同的位置信息(客户在申请一段 IP 地址都会尽量连在一起),所以我们可以将这样的记录合成一条记录。如下文件数据(地址段依次递增):

0.0.0.0|0.255.255.255|0|0|0|内网IP|内网IP...1.0.8.0|1.0.15.255|中国|0|广东省|广州市|电信...224.0.0.0|255.255.255.255|0|0|0|内网IP|内网IP

ip2region 库中最新的 ip.merge.txt 共有 658207 记录,文件大小 39 M。

IP地址优化

从上面的文件数据发现大量的IP地址以字符串形式存储,而 IPv4 是使用 32 位地址。所以将其转换成整型进行存储可以大大节省空间,比如像最短的字符串 0.0.0.0 占据 7 字节,最长的字符串 111.111.111.111 占据 15 字节,如果将其转换成整型,他们都占据 4 字节。0.0.0.0 是 int(0), 111.111.111.111 是 int(1869573999)。

位置信息优化

从上面的文件数据发现相同的位置信息会对应不同的 IP 段(客户可能在不同的时间段去申请 IP 段),所以还是有大量的位置信息在 IP 库文件中,在内存中我们可以只保留一份位置信息,并使用指针或者文件偏移量+数据长度来获取对应的位置信息。

优化后的IP库

根据上面的优化,我们可以生成最终的IP库:ip2region.db,该文件只有8.1M。

IP库的结构

IP 库文件ip2region.db的结构分为四个部分:super 块, header索引区,数据区,索引区。具体如下图所示:

  • super 块用来保存索引块的起始地址和结束地址,第一个索引指针指向索引块的开始位置,也就是第一个索引分区的第一个索引块, 最后一个索引指针 指向索引块的结束位置-12,也就是最后一个索引分区的最后一个索引块的头地址。这样查询的时候直接读取super块 8 个字节,就能快速获取索引块的地址范围。
  • header 索引区header索引是对索引块的二级索引,专门为b+tree搜索服务的。索引区总长度除以索引分区长度12*(1024*8/12-1)就是 header 索引的实际索引数。该区域大小为 2048*8 bytes, 由 2048 个 8 bytes 的 header 索引块组成。header索引块前四个字节存储每个索引分区第一个索引块的起始ip值,后四个字节指向该索引块的地址。header索引区之所以定义为接近16k,是因为可以通过四次磁盘读取读取整个header索引区,然后在内存中进行查询,查询的结果可以确定该ip在索引区的某个索引分区内,然后再根据地址两次读取8k 索引分区到内存,再在内存中查询,从而减少磁盘读取的次数。
  • 数据区保存的数据,数据格式如下:中国|华南|广东省|深圳市|鹏博士, 分别表示国家,区域,省份,城市,运营商
  • 索引区索引区是由索引块构成, 每个索引块占 12 字节,包括起始IP, 结束IP, 数据信息。数据信息中前三个字节保存数据地址,后一个字节保存数据长度。 每一条索引块对应 ip.merge.txt 中的一条记录,表示一个 IP 段的索引。在检索中当指定 IP 在某个索引块的起始IP和结束IP中间,即表示命中索引。再通过索引块中的数据地址和数据长度,就能从 ip2region.db 读取对应的位置信息数据。

IP库的生成

ip2region 的 Github 仓库中提供了 ip2region.db 的生成过程,是用 JAVA 写的,其类图如下所示:

通过熟悉生成 ip2region.db 的源码,简述一下其生成过程如下:

  1. 通过 RandomAccessFile 在文件中预留 8 bytes 的 super 块和 2048*8 bytes 的 header 索引区
  2. 扫描 ip.merge.txt 文件,对每一条记录作如下处理:依据每一条记录的起始IP, 结束IP 和数据,生成一个索引块, 前四个字节存储起始IP, 中间四个字节存储结束IP, 后四个字节存储已经计算出的数据地址(通过 RandomAccessFile 写入,这里维护一个位置信息到文件位置的字典,保证同一个位置信息只写入一次。),并将索引块暂存在 indexPool 链表中。这一步会将数据区的所有位置信息确定。
  3. 扫描完 ip.merge.txt 中所有的记录, 将 indexPool 中所有的索引块写到数据区后面。在此过程中将 int(1024*8/12-1)= 681 个索引块组成一个索引分区,并记录下每个索引分区第一个索引块的起始IP和地址信息(header块),并暂存在 headerPool 链表中。此外还会将索引区的起始位置和结束位置记录下来。
  4. 调整 RandomAccessFile 指向文件开头,写入索引区的起始位置存储到 super 块的前四个字节,结束位置存储到 super 块的后四个字节。
  5. 继续将 headerPool 中的 header 块写入到 header 区。
  6. 调整 RandomAccessFile 指向文件结尾,写入时间戳和版权信息。

TIPS: ip2region 仓库中还使用了 global_region.csv 数据,该文件有5列(行号,,区域,,邮政编码),对应着区域的具体信息,可以往数据区每个位置信息中填充。

快速搜索

ip2region 提供三种查询算法,最差的查询耗时都是ms级别的。分别是内存二分搜索,b+tree搜索,二分查找。耗时依次增加。其搜索结构图如下:

二分搜索

通过 super 块可以拿到索引区的起始位置和结束位置,而且每个索引块都是 12 bytes,其中的 IP 地址都是递增的,所以可以使用二分搜索来快速获取位置信息。其步骤如下:

  1. 把 IP 值通过 ip2long 方法转为整型
  2. 读取 super 块获取索引区的起始位置和结束位置,二者相减 +1 可得索引块的总个数
  3. 采用二分法直接求解,比较索引块中起始IP,结尾IP 和当前 IP 的大小,即可找到该 IP 对应的索引块,根据索引块后面四个字节得到数据地址和数据长度,从而拿到位置信息。

b+tree搜索

b+tree 搜索用到了 header 索引区,第一步先在 header 索引区中使用二分搜索,定位到某个索引分区后,再在对应的索引分区中使用二分搜索。相比较二分搜索而言,它的速度更快,原因是读磁盘的次数远低于二分搜索。其步骤如下:

  1. 把 IP 值通过 ip2long 转为整型
  2. 使用二分法在 header 索引区中搜索,比较得到对应的 header 索引块以及其对应的索引分区。
  3. 读取对应索引分区,再通过二分法定位到对应的索引块,从而获得位置信息。

基于内存的二分搜索

该方法和二分搜索方法类似,区别就是前者将 ip2region.db 全部读进内存中,后者则是通过不断读取 ip2region.db 文件。

总结

ip2region 库只解决了一个非常常见的 IP 定位问题,但将这个服务做到了又小又快(当然还提供了多语言的客户端),从而在 Github 上获得了 8.4k 的 star。

占用内存小

  1. 相邻 IP 的位置信息相同,通过 IP 段来解决相邻 IP 对应相同位置信息,避免位置信息被重复存储
  2. IP 转换成 INT,像字符串 111.111.111.111 被转换成int(1869573999),从 15Byte 缩小到 4Byte
  3. 不同的 IP 段也有相同的位置信息,通过指针来指向特定的位置信息,保证位置信息只保存一次(全量扫描存储进字典中)

搜索速度快

  1. IP 有序,使用二分搜索将时间复杂度降到 O(logN)
  2. 二级索引 header 索引区的使用,降低磁盘读写频率,先确定索引分区,再从索引分区确定索引位置,在确定位置信息数据。

多语言客户端支持

支持 java、C#、php、c、python、nodejs、php扩展(php5和php7)、golang、rust、lua、lua_c, nginx。

参考文献

  1. ip2region 数据库文件结构及原理
  2. ip2region源码
  3. ipv4的维基百科
  4. 各国IPv4地址分配列表
  5. 高德地图api
  6. 百度地图api
    推荐阅读
  • 栗子怎么去皮(板栗怎么去皮)

    5分钟后,取出栗子切开,栗皮即随栗子壳一起脱落,此法去除栗子皮省时、省力。微波炉加热:将买来的生栗子,用剪刀把外壳剪开,放在微波炉中高温加热30秒,里面一层衣和肉即会自动脱离。用此方法去栗衣前,一定要将其外壳剪开,否则可能会引起微波炉故障。浸泡时间不能过长,否则将会影响栗子营养成分。

  • 故宫三大殿分别指哪三座宫殿(故宫三大殿分别是哪几个宫殿)

    以下内容大家不妨参考一二希望能帮到您!故宫三大殿分别指哪三座宫殿三大殿是指太和殿、中和殿、保和殿三大殿是封建皇帝行使权力或者举行盛典时用的宫殿。太和殿是三大殿中最大的宫殿,中和殿最小。三大殿装饰色彩,屋顶多用金黄色,立柱门窗墙垣等处多用赤红色装饰,檐枋多施青蓝碧绿等色,衬以石雕栏板及石阶之白玉色,形成鲜明的色彩对比。

  • 半衰期的计算公式是什么(半衰期的计算公式分享)

    m=M(1/2)^(t/T)其中M为反应前原子核质量,m为反应后原子核质量,t为反应时间,T为半衰期在物理学上,半衰期越短,代表其原子越不稳定,每颗原子发生衰变的机会率也越高,接下来我们就来聊聊关于半衰期的计算公式是什么?以下内容大家不妨参考一二希望能帮到您!半衰期的计算公式是什么m=M(1/2)^(t/T)其中M为反应前原子核质量,m为反应后原子核质量,t为反应时间,T为半衰期。每颗原子衰变的机率大致相同,做实验的时候,会使用千千万万的原子。

  • 宝马3系长轴版怎么选(尊贵的宝马3系车主)

    虽然宝马新3系的呼声很高,但是销量却着实打脸。原因是宝马在至经销商的邮件中明确表示:部分G12、G20、G28、G29由于发动机平衡轴未能按供应商标准生产,会导致轴承过早磨损,从而损坏发动机,涉事车型需要重新更换发动机,并停止销售和交付车辆。早在10月16日,宝马海外市场已经对B46/B48发动机中存在平衡轴缺陷问题的车型进行了召回,通过了解本次召回也只针对国外市场的车型进行,国内没有收到任何召回通知。

  • 早上怎么发正能量的朋友圈(适合早上发朋友圈的励志句子)

    早上怎么发正能量的朋友圈青春,是一包象征着阳光的向日葵种子,在现在洒下,就会在未来得到收获,那一株株饱含青春的花朵。人生有三样东西不可挽回:时间,机遇,以及说出去的话。生活给予我们太多负荷,我们用一种佝偻的姿势顽强前行。摔倒不哭,这是坚韧;摔倒了重新站起来,这是坚强。在世界某处某些人还在为自己的命运无望地抗争着。所以,不要去想自己错过了什么,而是要去想你现在所拥有的东西。

  • 分手多久可以忘记彼此(却因为感到消耗)

    却因为感到消耗“相爱容易相守难”这是很多情侣在相爱以后经常面临的困境尤其是在一起的时间越久,要处理关系中的卡点就变得越来越不容易希望下面的分享能够给有类似困扰的伙伴提供一些可以处理这个困难的思路:首先,明确这段感情。

  • 满分审验学习体会(审验现场学习详细流程看这里)

    满分教育学习现场预约操作流程适用驾驶人一个违法记分周期内累积记分达到12分及以上的机动车驾驶人。驾驶人可在驾驶证核发地、违法行为发生地所在省份任意地市申请。现场学习流程驾驶人按已提前预约学习时间,本人持身份证原件及预约信息到东莞市机动车驾驶人满分审验教育学习室四楼参加学习。

  • 南充海洋公园在哪(南充播报率团走进海洋世界)

    活动组织者介绍,此次活动的旨在于宣传南充、推介南充;活跃南充正能量粉丝,传递南充正能量声音。整个展区空气清新、温度适宜,为南充市民特别是少年儿童,提供了一个了解海洋生物、增长海洋知识的好场所。

  • 发动机传感器坏了有什么症状 汽车发动机传感器坏了是什么原因造成的

    曲轴位置传感器故障的原因因类型不同而不同。出现故障时,传输信号超出正常范围。只有当ECU检测到曲轴位置信号确定喷油量和点火提前角时,汽车才能正常启动,传感器安装在飞轮附近。气温传感器用于检测进入发动机的空气体的温度。主要用于修正喷油量。当外界温度过低时,会增加喷油量。氧传感器为了控制汽车排放,ECU要监测汽车尾气的浓度,从而调节喷油量,使实际空燃油比接近理论空燃油比。

  • 贺卡祝福语老师(贺卡祝福语老师精选)

    教师节是你收获的日子,也是你唯一为自己的时光。亲情是血浓于水;友情是彼此安慰;爱情是相依相偎;师生情如同亲朋,关爱教诲;教师节到了,虽不能探望老师,但挂念之心常在。愿您生活美满,身体康泰。今天我想敬您一杯清茶,说上一句多谢,愿福寿安康,祝您教师节快乐!您不是演员,您不是歌手,您更不是艺术家,您只是一名燃烧自己照亮他人的老师,如果时间能倒流,我愿回到学生时代,来报答您的恩惠,祝教师节快乐。