IP数据库

发表于 分类于

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("\\|"); 
// do filter ...
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)) {
    // query ...
}

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> getSubnet(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;
    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;  // 128.0.0.0
    int node = ROOT_PTR;
    int next = ROOT_PTR;
    // 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
    while ((bit & mask) != 0) {   
        next = ((key & bit) != 0) ? rights[node] : lefts[node]; 
        if (next == NULL_PTR) // 节点不存在，跳出循环
            break;
        bit >>= 1; 
        node = next;
    }

    if (next != NULL_PTR) {
    // next不为NULL，是因bit&mask为0，也就是已经判断过key的最后一位，而退出上面的while的，则覆盖当前节点的值
        values[node] = value;
        return;
    }

    while ((bit & mask) != 0) {
        if (size == allocatedSize)
            expandAllocatedSize();
        next = size; // 新增一个空节点
        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; // 最后走完key的所有位，到达目标节点，存入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。