项目放在github上，python版本ipdb_creator，java版本ip-locator。
项目代码结构
项目结构图
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：
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IPIP.NET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：
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：
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，
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
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：
1.0.1.0/24;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：
1.0.1.0/24;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。
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。
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。
注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权