深刻淺出之ip2region實現

在移動互聯網的應用中,常常須要根據用戶的位置信息等作一些用戶側信息的統計分析。而要拿到用戶的位置信息,通常有兩個方法: GPS 定位的信息和用戶 IP 地址。因爲每一個手機都不必定會打開 GPS,並且有時並不太須要太精確的位置(到城市這個級別便可),因此根據 IP 地址入手來分析用戶位置是個不錯的選擇。 要作到這個功能得須要一個 IP 和地理位置的映射關係庫,並依賴這個庫啓動一個 IP 轉地理位置的服務。本文從需求入手,結合 Github 上擁有 8.4k 星的 ip2region 來分析映射關係庫的設計以及 IP 如何快速轉換成地理位置。php

介紹

IP 定位服務很常見,並且不少公司都提供了相似的付費服務,好比阿里,高德,百度等,固然也有公開的免費服務,像 GeoIP,純真IP等。這些服務要麼經過 HTML 頁面解析,要麼經過接口請求,但無論怎樣都離不開一次 http 請求,更不用說大部分服務都對 QPS 做了限制。下表枚舉了一些常見的經過 IP 獲取地址的方式。java

開放API服務 方式 限制 樣例
淘寶IP地址庫 接口 每一個用戶的 QPS 要小於1 curl -d "ip=218.97.9.25&accessKey=alibaba-inc" http://ip.taobao.com/outGetIpInfo
高德地圖 接口 每一個用戶天天有10萬的訪問限制,企業開發者有3000萬的訪問限制 curl "https://restapi.amap.com/v3/ip?ip=218.97.9.25&key=f4cf14aca974dfbb0501c582ce3fce77"
GeoIP HTML 解析 curl -d "ip=218.97.9.25&submit=提交" https://www.geoip.com
純真IP HTML 解析 curl http://www.cz88.net/ip/?ip=218.97.9.25

在平常工做一般須要將大量用戶請求日誌中 IP 轉換成用戶位置信息,用做後續的分析。這其中的關鍵是數據量大,處理要快。顯然每次都經過請求 API 公共服務的方式沒法知足咱們的平常需求。node

暴力生成 IP 庫

對於平常的需求,一種簡單粗暴的作法就是提早經過 API 獲取全部公網 IP 對應的位置信息,按照下面的 TIPS 中咱們能夠估算出若是經過訪問淘寶IP地址庫來遍歷 3.3 億的國內 IP 地址要 10 年。若是是高德的企業用戶遍歷國內 IP 地址大概要 11 天。感受這個 11 天仍是可以接受的。python

TIPS: IPv4
目前所說的 IP 地址是指 IPv4,它是使用 32 位(4 字節)地址,所以地址空間約有 42.9 億$2^32=4294967296$個, 不過一些地址是做爲特殊用途所保留的,如專用網絡(約 1800 萬個)和多播地址(約 2.7 億個),這些減小了可在互聯網上路由的地址數量。 據 wiki 上統計,中國的 IPv4 數量達到 3.3 億,而美國有 15.4 億個。nginx

這裏咱們約定一下位置信息的數據格式: 國家|區域|省份|城市|ISP,若是接口中返回的字段沒有對應的信息,則對應的字段填充0。那麼咱們經過順序請求 API 服務能夠獲取到以下文件數據(地址依次遞增):git

0.0.0.0|0|0|0|內網IP|內網IP
0.0.0.1|0|0|0|內網IP|內網IP
...
1.0.15.255|中國|0|廣東省|廣州市|電信
...
255.255.255.255|0|0|0|內網IP|內網IP

只要有了這個文件,能夠將其讀到內存中,使用字典保存,鍵爲 IP 地址,值爲位置信息。程序能夠在 O(1) 時間複雜度內返回位置信息,不過該程序或文件佔用的大小咱們能夠粗略的計算一下。 假定咱們使用 utf-8 進行存儲,一條記錄最短的狀況是 0.0.0.0|0|0|0|0|0,佔用17個字節,IP 庫文件的大小爲 17*4294967296 = 73014444032 B = 71303MB = 71GB。這個大小是任意一個程序不能接受的。github

空間優化

IP 庫文件優化

從上面的文件數據發現大量的相鄰 IP 擁有相同的位置信息(客戶在申請一段 IP 地址都會盡可能連在一塊兒),因此咱們能夠將這樣的記錄合成一條記錄。以下文件數據(地址段依次遞增):golang

0.0.0.0|0.255.255.255|0|0|0|內網IP|內網IP
...
1.0.8.0|1.0.15.255|中國|0|廣東省|廣州市|電信
...
224.0.0.0|255.255.255.255|0|0|0|內網IP|內網IP

ip2region 庫中最新的 ip.merge.txt 共有 658207 記錄,文件大小 39 M。web

IP地址優化

從上面的文件數據發現大量的IP地址以字符串形式存儲,而 IPv4 是使用 32 位地址。因此將其轉換成整型進行存儲能夠大大節省空間,好比像最短的字符串 0.0.0.0 佔據 7 字節,最長的字符串 111.111.111.111 佔據 15 字節,若是將其轉換成整型,他們都佔據 4 字節。0.0.0.0 是 int(0), 111.111.111.111 是 int(1869573999)。算法

位置信息優化

從上面的文件數據發現相同的位置信息會對應不一樣的 IP 段(客戶可能在不一樣的時間段去申請 IP 段),因此仍是有大量的位置信息在 IP 庫文件中,在內存中咱們能夠只保留一份位置信息,並使用指針或者文件偏移量+數據長度來獲取對應的位置信息。

優化後的IP庫

根據上面的優化,咱們能夠生成最終的IP庫:ip2region.db,該文件只有8.1M。

IP庫的結構

IP 庫文件ip2region.db的結構分爲四個部分:super 塊, header索引區,數據區,索引區。具體以下圖所示:

ip2region_db.png

  • super 塊
    用來保存索引塊的起始地址和結束地址,第一個索引指針指向索引塊的開始位置,也就是第一個索引分區的第一個索引塊, 最後一個索引指針 指向索引塊的結束位置-12,也就是最後一個索引分區的最後一個索引塊的頭地址。這樣查詢的時候直接讀取super塊 8 個字節,就能快速獲取索引塊的地址範圍。
  • header 索引區
    header索引是對索引塊的二級索引,專門爲b+tree搜索服務的。索引區總長度除以索引分區長度12*(1024*8/12-1)就是 header 索引的實際索引數。該區域大小爲 2048*8 bytes, 由 2048 個 8 bytes 的 header 索引塊組成。header索引塊前四個字節存儲每一個索引分區第一個索引塊的起始ip值,後四個字節指向該索引塊的地址。
    header索引區之因此定義爲接近16k,是由於能夠經過四次磁盤讀取讀取整個header索引區,而後在內存中進行查詢,查詢的結果能夠肯定該ip在索引區的某個索引分區內,而後再根據地址兩次讀取8k 索引分區到內存,再在內存中查詢,從而減小磁盤讀取的次數。
  • 數據區
    保存的數據,數據格式以下:中國|華南|廣東省|深圳市|鵬博士, 分別表示國家,區域,省份,城市,運營商
  • 索引區
    索引區是由索引塊構成, 每一個索引塊佔 12 字節,包括起始IP, 結束IP, 數據信息。數據信息中前三個字節保存數據地址,後一個字節保存數據長度。 每一條索引塊對應 ip.merge.txt 中的一條記錄,表示一個 IP 段的索引。
    在檢索中當指定 IP 在某個索引塊的起始IP和結束IP中間,即表示命中索引。再經過索引塊中的數據地址和數據長度,就能從 ip2region.db 讀取對應的位置信息數據。

IP庫的生成

ip2region 的 Github 倉庫中提供了 ip2region.db 的生成過程,是用 JAVA 寫的,其類圖以下所示: ip2region_class.png

經過熟悉生成 ip2region.db 的源碼,簡述一下其生成過程以下:

  1. 經過 RandomAccessFile 在文件中預留 8 bytes 的 super 塊和 2048*8 bytes 的 header 索引區
  2. 掃描 ip.merge.txt 文件,對每一條記錄做以下處理:
    依據每一條記錄的起始IP, 結束IP 和數據,生成一個索引塊, 前四個字節存儲起始IP, 中間四個字節存儲結束IP, 後四個字節存儲已經計算出的數據地址(經過 RandomAccessFile 寫入,這裏維護一個位置信息到文件位置的字典,保證同一個位置信息只寫入一次。),並將索引塊暫存在 indexPool 鏈表中。這一步會將數據區的全部位置信息肯定。
  3. 掃描完 ip.merge.txt 中全部的記錄, 將 indexPool 中全部的索引塊寫到數據區後面。在此過程當中將 int(1024*8/12-1)= 681 個索引塊組成一個索引分區,並記錄下每一個索引分區第一個索引塊的起始IP和地址信息(header塊),並暫存在 headerPool 鏈表中。此外還會將索引區的起始位置和結束位置記錄下來。
  4. 調整 RandomAccessFile 指向文件開頭,寫入索引區的起始位置存儲到 super 塊的前四個字節,結束位置存儲到 super 塊的後四個字節。
  5. 繼續將 headerPool 中的 header 塊寫入到 header 區。
  6. 調整 RandomAccessFile 指向文件結尾,寫入時間戳和版權信息。

TIPS: ip2region 倉庫中還使用了 global_region.csv 數據,該文件有5列(行號,,區域,,郵政編碼),對應着區域的具體信息,能夠往數據區每一個位置信息中填充。

快速搜索

ip2region 提供三種查詢算法,最差的查詢耗時都是ms級別的。分別是內存二分搜索,b+tree搜索,二分查找。耗時依次增長。其搜索結構圖以下: ip2region_search.png

二分搜索

經過 super 塊能夠拿到索引區的起始位置和結束位置,並且每一個索引塊都是 12 bytes,其中的 IP 地址都是遞增的,因此可使用二分搜索來快速獲取位置信息。其步驟以下:

  1. 把 IP 值經過 ip2long 方法轉爲整型
  2. 讀取 super 塊獲取索引區的起始位置和結束位置,兩者相減 +1 可得索引塊的總個數
  3. 採用二分法直接求解,比較索引塊中起始IP,結尾IP 和當前 IP 的大小,便可找到該 IP 對應的索引塊,根據索引塊後面四個字節獲得數據地址和數據長度,從而拿到位置信息。

b+tree搜索

b+tree 搜索用到了 header 索引區,第一步先在 header 索引區中使用二分搜索,定位到某個索引分區後,再在對應的索引分區中使用二分搜索。相比較二分搜索而言,它的速度更快,緣由是讀磁盤的次數遠低於二分搜索。其步驟以下:

  1. 把 IP 值經過 ip2long 轉爲整型
  2. 使用二分法在 header 索引區中搜索,比較獲得對應的 header 索引塊以及其對應的索引分區。
  3. 讀取對應索引分區,再經過二分法定位到對應的索引塊,從而得到位置信息。

基於內存的二分搜索

該方法和二分搜索方法相似,區別就是前者將 ip2region.db 所有讀進內存中,後者則是經過不斷讀取 ip2region.db 文件。

總結

ip2region 庫只解決了一個很是常見的 IP 定位問題,但將這個服務作到了又小又快(固然還提供了多語言的客戶端),從而在 Github 上得到了 8.4k 的 star。

佔用內存小

  1. 相鄰 IP 的位置信息相同,經過 IP 段來解決相鄰 IP 對應相同位置信息,避免位置信息被重複存儲
  2. IP 轉換成 INT,像字符串 111.111.111.111 被轉換成int(1869573999),從 15Byte 縮小到 4Byte
  3. 不一樣的 IP 段也有相同的位置信息,經過指針來指向特定的位置信息,保證位置信息只保存一次(全量掃描存儲進字典中)

搜索速度快

  1. IP 有序,使用二分搜索將時間複雜度降到 O(logN)
  2. 二級索引 header 索引區的使用,下降磁盤讀寫頻率,先肯定索引分區,再從索引分區肯定索引位置,再肯定位置信息數據。

多語言客戶端支持

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

參考文獻

  1. ip2region 數據庫文件結構及原理
  2. ip2region源碼
  3. ipv4的維基百科
  4. 各國IPv4地址分配列表
  5. 高德地圖api
  6. 百度地圖api

若是該文章對您產生了幫助,或者您對技術文章感興趣,能夠關注微信公衆號: 技術茶話會, 可以第一時間收到相關的技術文章,謝謝! 技術茶話會


本篇文章由一文多發平臺ArtiPub自動發佈
相關文章
相關標籤/搜索