项目放在github上，python版本ipdb_creator，java版本ip-locator。
IP数据库生成
首先要知道IP的分配是一直变化的，所以不会存在绝对准确的IP库。IP库需要经常更新才能保证较高的准确度。IP的分配由国际非盈利性组织ICANN负责，所以要生成最新的IP库首先需要从这里下载5个最新原始分配文件，分别是delegated-arin-latest delegated-ripencc-latest delegated-lacnic-latest delegated-afrinic-latest delegated-apnic-latest。
我们需要处理的是文件中ipv4的记录，每条记录的格式如下：
1
| apnic|AU|ipv4|1.0.0.0|256|20110811|assigned
|
- AU: 表示澳大利亚的简称
- ipv4: 表示记录的ip类型
- 1.0.0.0: 表示记录的起始IP
- 256: 表示记录从起始IP往后256个地址
- 20110811: 表示分配时间
- assigned(allocated): 表示已分配
国家缩写与名字的对应关系，可以直接看python项目中的country_code文件。在大部分应用场景下，国内IP需要精确到省或者市级别，国外IP大部分只需要精确到国家级别。那怎么才能得到比较准确的国内IP库呢？
现在网上有很多免费的IP查询工具，有的比较友好提供了HTTP的查询接口。经过长时间的查询对比发现，其中IP淘宝和17MON的准确率相对比较高。为了得到最全面的数据，我把delegated-apnic-latest中分配给CN的所有记录拿出来，然后对每条记录中的每个24网段进行扫描，最后把得到的中国全部24网段IP地址进行合并，就得到了国内IP库。对于IP分配中一些没有指明国家码的记录也可以用同样地方法。
要注意，大部分免费提供的IP查询接口都是对频率有限制的，如上面说的两个都是限制每个来源IP每秒10次的频率。
CN记录拆分为24网段
以一条记录为例 apnic|CN|ipv4|1.0.8.0|2048|20110412|allocated，把记录转换成CIDR格式1.0.8.0/21，以java为例：
1 2 3 4 5 6 7 8 9 10
| String[] params = line.split("|"); String baseIP = params[3]; int masklen = 32 - (int) (log(Integer.parseInt(params[4]), 2)); String netcidr = baseIP + "/" + masklen; if (masklen > 24) masklen = 24; IPv4Network networks = new IPv4Network(prefix); for (String subnet : networks.getSubnet(24)) { }
|
可以看到关键的方法就是getSubnet(24)，简单地说就是，从起始地址开始，每隔256个IP截断，最后就得到了对应的24网段列表。来看它的实现：
1 2 3 4 5 6 7 8 9 10 11 12 13 14
| public List<String> (int masklen) { if (masklen > 32 || masklen < 8 || masklen < numericCIDR) { throw new NumberFormatException("masklen can not be greater than 32"); } int numberOfIPs = 1 << (32 - masklen); Long startIP = baseIPnumeric & netmaskNumeric; List<String> list = new ArrayList<String>(); for (int i=0; i<Math.pow(2, masklen-numericCIDR); i++) { String subnet = IPUtil.ipLong2String(startIP) + "/" + masklen; startIP += numberOfIPs; list.add(subnet); } return list; }
|
查询及频率限制
以淘宝IP查询为例，接口可以在浏览器输入 http://ip.taobao.com/service/getIpInfo.php?ip=1.0.8.1 查看返回的结果，返回结果为json格式，
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
| private IpData queryFromTaobao(String ip) throws Exception { limitRate.check(); String ret = HttpClientPool.getInstance().getMethod(TAOBAO_URL + "?ip=" + ip, 5000); if (ret == null) { return null; } else { JSONObject json = JSON.parseObject(ret); if (json.getInteger("code") == 0) { JSONObject dataJson = json.getJSONObject("data"); IpData ipData = new IpData(); ipData.setCountry(dataJson.getString("country")); ipData.setProvince(dataJson.getString("region")); ipData.setCity(dataJson.getString("city")); ipData.setIsp(dataJson.getString("isp")); ipData.setIp(ip); return ipData; } else { return null; } } }
|
其中LimitRate是本地实现的一个简单频率控制，通过Queue接口实现一个限制队列大小的LimitQueue类，然后在一个单例的LimitRate中初始化一个LimitQueue队列，指定队列大小为10，时间间隔为1000ms。每次查询前先调用LimitRate的check方法，如果队列长度小于10，直接返回；等于10就从LimitQueue队列中取出队列顶部的时间（即最早进入队列的时间）与当前时间对比，若间隔小于1000ms，则sleep(1001-间隔ms数)，最后把当前时间写入队列。
1 2 3 4 5 6 7 8 9 10 11 12 13
| public void check() throws InterruptedException { if (queue.size() < limit) return; Long first = queue.peek(); if (first == null) return; 大专栏 IP数据库 class="keyword">long now = System.currentTimeMillis(); if (now - first <= duration) { logger.info("limit rate checked, sleep a while"); Thread.sleep(duration - now + first + 1); } queue.offer(now); }
|
虽然对查询频率做了限制，但这并不保证接口的每一次查询都能正确返回结果，所以查询结果无效时应该重新查询，直到得到有效结果为止。
IP网段合并
最后需要对扫描的结果进行合并，由于扫描时全部拆分成24网段，而IP的分配又是不连续的，所以合并的时候要仔细，不要出错。首先要对扫描结果按IP排序，然后依次取出每一条结果，如果第n条与第n-1条的结果是相同的，则存入临时队列，直到当n与n-1的结果不同，这时把临时队列中的数据进行合并，合并结果存入最终的输出队列，并清空临时队列，循环此过程，最后就可以得到合并的结果。
以下面三条结果的合并为例：
1 2 3
| 1.0.1.0/24;中国;福建省;福州市;电信;1.0.1.123;256 1.0.2.0/24;中国;福建省;福州市;电信;1.0.2.20;256 1.0.3.0/24;中国;福建省;福州市;电信;1.0.3.247;256
|
(1) 首先对每一个网段的IP范围，如1.0.1.0/24的IPRange是1.0.1.0~1.0.1.255对应的long型范围是16777472-16777727，
1.0.2.0/24对应16777728-16777983，如果16777728 - 1 <= 16777727，则说明两个网段是连续的，则合并成新的IPRange：16777472-16777983，以此类推，最后得到16777472-16778239（如果网段中存在不连续的情况，则会得到多个IPRange）。
(2) 接着处理得到的IPRange(s)，先把IPRange转换成能包含它本身的最小IP网段，16777472-16778239的startIP为16777472，endIP为16778239，n从1开始，n++直到满足
$$endIP - 2^n <= startIP$$
$$endIP - 2^{n-1} > startIP$$
得到结果startIP/(32-n)转换成可读形式：1.0.0.0/22。
(3) 最后，由于合并后网段包含范围超出了原本的三个网段，所以要对该结果再进行拆分。如果合并后的网段的起始IP小于合并前的起始IP，则以合并前的最小网段为界，把合并后网段拆分为小于，等于，大于合并前的最小网段的三个范围（合并后的网段的最大IP大于合并前的最大IP情况，也同理可推），这里的实现稍微有点复杂，通过代码来理解会比较容易一些，对应方法为IPUtil.cidrPartition()。最后得到合并后的网段：
1 2
| 1.0.1.0/24;中国;福建省;福州市;电信;1.0.3.247;256 1.0.2.0/23;中国;福建省;福州市;电信;1.0.3.247;512
|
IP数据库使用
完整的数据库已经生成，那么如何使用它呢？
RadixTree
RadixTree（基树）是通用的字典类型数据结构，在Linux内核及Nginx中被用于路由表的设计。RadixTree与传统的二叉树差不多，只是在寻找方式上，利用比如一个unsigned int的类型的每一个比特位作为树节点的判断。比如一个数 10001010101010100101010100101010按照Radix树的插入就是在根节点，如果遇到0，就指向左节点，如果遇到1就指向右节点，在插入过程中构造树节点，在删除过程中删除树节点。
插入
由于java中没有无符号整型，为了能表示最大的ipv4，我们用long型的低32位代替。key为ip的主机字节序，mask为网段的子网掩码，value为该网段的信息。以1.0.1.0/24为例，key=0x01000100，mask=0xFFFFFF00。从最高位开始，判断key的每一个位，1则前往右节点，0则前往左节点。如果当前节点不存在，则创建新的节点。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
| public void put(long key, long mask, IpData value) { long bit = 0x80000000L; int node = ROOT_PTR; int next = ROOT_PTR; while ((bit & mask) != 0) { next = ((key & bit) != 0) ? rights[node] : lefts[node]; if (next == NULL_PTR) break; bit >>= 1; node = next; } if (next != NULL_PTR) { values[node] = value; return; } while ((bit & mask) != 0) { if (size == allocatedSize) expandAllocatedSize(); next = size; values[next] = NO_VALUE; rights[next] = NULL_PTR; lefts[next] = NULL_PTR; if ((key & bit) != 0) { rights[node] = next; } else { lefts[node] = next; } bit >>= 1; node = next; size++; } values[node] = value; }
|
查找
如果明白插入的原理，那么查找就比较简单了。给定一个ip，首先将ip地址转换成主机字节序的四个字节，从32位的key的最高位开始，0就转向左节点，1就转向右节点，这样从树的根节点开始，直到找到对应的叶子节点为止，在此查找路径上最后一个值不为NO_VALUE的node的value就是查找的结果。
1 2 3 4 5 6 7 8 9 10 11 12 13 14
| public IpData selectValue(long key) { long bit = 0x80000000L; IpData value = NO_VALUE; int node = ROOT_PTR; while (node != NULL_PTR) { if (values[node] != NO_VALUE) value = values[node]; node = ((key & bit) != 0) ? rights[node] : lefts[node]; bit >>= 1; } return value; }
|
结束
为了省点买IP付费数据库的钱，也不容易啊。方案还在进一步完善中，目前由于是单台机器，在1秒10次的频率限制下，完整跑一次需要的时间较长，正在考虑设置代理请求，加快查询频率，如果出口IP够多的话，可以大幅提高速度。