解析纯真IP地址库
一周以来，一直在做 IP地址库的解析。从调研到编码到优化，大概花了有七八天的时间。感觉很好玩。总结一下整个做的过程。
1、关于IP 地址库的解析方式
目前主要的解析方式有两种：通过API，或通过IP数据库。
API方式很简单，目前国内大厂不少提供API接口，只要发送请求的IP，就能获得相应的地理位置。像BAT等等公司都提供IP查询接口。这种解析方式的好处在于，编码简单，一个请求获得数据，然后解析一下就好了（通常只是个json数据），而且不用维护数据库，对本地没有负担。但是缺点也挺明显的，首先是慢，发送网络请求一秒钟发不了几条，其次是有限制，比如百度限制每秒钟 250条请求，防止并发量太大造成网络阻塞，再次要受制于人，什么都要听人家的，万一今天地址换了，明天接口数据格式改了，后天要收费了……哦卖糕的。
IP数据库方式相对来讲复杂一点，需要有完善的数据库，还要建立相应的查询服务。优缺点则跟API方式正好相反：优点是查询快，不受网络和网站的限制，缺点是编码相对复杂，而且要一直维护数据库。数据库国内最著名的是纯真网络，ipip，国外更加著名的GeoIP等等。
我们在权衡利弊之后，决定采取数据库方式。听说GeoIP对国外ip 数据很完善，但是对于国内的ip还是不太全的。因此，我们初步选用纯真IP数据库来解析。
2、存储
下载下来纯真数据库的过程就不介绍了，我也没有闲心去解析dat，就直接解压成txt来做了。数据一共不到45万条。
先普及个常识，那就是IP地址实际上是一个unsigned int值。在群里询问做法的时候我发现很多人居然都不知道这一点。我们看到的IP地址，是4个0~255之间的数，而实际上在计算机中IP地址的表示是32位二进制。 01010101.10101010.00110011.11001100酱婶的。32位二进制，当然就是一个unsigned int的取值范围。IP解析也是一样，把IP转化成int 进行存储和查询，是最节省空间、最效率的方法。
书归正文，解压出来的IP地址库是酱婶的：
（纯真IP数据库，可以到http://www.cz88.net去下载。这个是公开的。我相信我要不说的话一定有人不知道。）
三个字段，start, end, address，从start到end之间的IP都是address这个位置。然而仔细观察可以发现，end其实并没有什么卵用。因为end跟下一个start是连接的，中间没有断开的ip。所以只需要记录start: address就好了，所以——我们得到了一个键值对。啊哈，关于键值对我们能用的武器就多了，最典型的可以用redis这样的数据库或者直接用字典。
那么查询怎么查？最简单的方法，提取keys，顺序排列，二分查找。45万条数据最多19次比较即可。注意这里我们要找的是“小于等于给定IP的最大值”。
什么？你说每一条ip对应一个address ，把所有ip的address写成一个列表？唔……也不是不可以，不过首先你的服务器得有200G内存。没错，200G。内存。
3、算法演进
3.1、首先考虑redis
我需要保持程序一直运行，即需要一个server，里面是保存好的地址结构，当我需要查询一条ip的时候，只需要发送一条请求即可。那么，如果使字典保持在内存里，就必须要程序一直运行，需要我写一个server。tcp还是udp还是http的无所谓。然而，我懒。所以首先考虑redis。毕竟人家存储结构都写好了，我都不用动脑筋，往里存就好了。
然而事实证明我想错了。
3.1.1、普通键值对
先用最简单的方法，set ip addr，全部存进去；然后查询的时候读取keys，类型转换，排序，二分，查到小于等于给定ip的最大值，行云流水的一套下来——3.2秒。泥煤这速度还不如直接发api请求呢！仔细想想，自己确实是犯二了，40多万数类型转换再排序，能快就见鬼了。
3.1.2、有序集合
考虑下一方案，一要存整数，二要有序。存整数是不可能了，在网上查到redis中的数据类型，根本没有数字相关的，只有字符串和各种序列类型。经人介绍选定有序集合。zadd ip2addr ip addr添加好。然而查询时候始终有错误。莫名其妙了好久，终于查到原因了：假设一条ip1对应地址是addr ，过不久一条ip2对应的地址也是addr，那么ip2就会把ip1覆盖掉。这不科学啊！唉，只能抛弃有序集合了。
（其实后来有大神查到还是可以用的，如果相同的addr会覆盖，那就人为的让它不同，例如可以存储addr@ip这样的形式。当时着急了，也没多想想。）
3.1.3、列表
让ip有序，最合适的还是列表。于是在redis里面我建立了两个列表，一个是ip，另一个是对应位置的addr。查询时候先获得ip列表，查到给定ip，用这个ip的索引去查找对应位置的addr。愿望是美好的，现实是残酷的。由于redis中的列表采用的是双向链表，要获取全部40多万数据也是够慢，这就造成了结果查询一条数据要360ms。而且有个看似奇怪的特性：ip值较小的，比如1.2.3.4，查询结果就4ms，而ip值大到222.222.222.222这样的就要接近400ms了。
这仍然是一个慢到不能忍的结果。
3.1.4、列表+分块
列表做出来的结果大概在300ms多，还是太慢，我在redis里面大概扫了一遍，没有什么更合适的数据结构了。那么就只能进行算法层面的优化了。观察了一下ip地址的结构，前22万条数据应该包含了前面一半ip，剩下的ip在后一半数据里，试了试从ip列表里只提取一半数据进行查询，果然时间也缩到了一半，大概170ms。那么，能否更精确的定位ip所在的位置？
想象一下42亿个ip，分散在44万条数据中，每块里面有多少个ip？肯定不是平均分布的，但是数量是可以统计的。我把int范围切分，每10^7作为一个块，那么42亿多的int数可以切分出来430块（例如ip值小于10^7放在第0区，小于2*10^7大于10^7放在第1区，等等），这样就统计出来每个块中ip的数量。下一步进行累加，算出前0块共有多少个ip，前1块有多少ip，前2块共有多少ip……举个栗子，统计ip数量的列表为[a1,a2,a3,a4...]，那么累加的列表为[a1,a1+a2, a1+a2+a3, a1+a2+a3+a4...]。这个列表即ip索引。这样可以精确的定位ip。查询的时候，先计算ip属于哪个块，然后找到对应的索引，最后通过索引来找到对应的ip范围。虽然多查询了一次，但是极大地缩减了从redis中取数的数量。经测试，速度已经达到了65ms左右。
然而这个算法有两个问题：首先是块大小的设置，需要人为干预，块大小涉及到每个块里的ip数量，还涉及到块的数量，也就是索引列表的大小。这个完全靠经验，没有什么理论。另一个问题是块中ip数量为0的情况。还用刚才的栗子，有个ip列表[a1,0,0,0,a3,a4...]，索引列表为[a1,a1,a1,a1,a1+a3, a1+a3+a4...] ，也就是一个ip在a1范围内，而下一条ip已经在a3范围内了。现在我查询一条ip，本应查询范围是[a1, a1+a3]，而现在查询的范围变成了[a1, a1]，这样必然结果错误。我也没有太好的办法解决，现在想到的只能是再记录一下ip数量表，现查询一下ip所在块是不是0，如果是，就去找到在这之前第一个不为0的块。这样性能肯定是要下降的。
3.2、内存
3.2.1、有序字典
碰到问题后，询问了一下q群里的大神们。几个做过的人都是自己写服务的。唉，本想偷懒，折腾了一圈反倒把自己坑了。于是自己写socket来做。存储结构为了保持整数和有序，使用OrderedDict来保存。像以前那样拿到keys，二分，查询，看眼时间，哭了，怎么还是50ms？
3.2.2、字典+列表
继续请教大神们，怎么做的，得到的答案是用列表。恍然大悟。用dict.iteritems()这种形式的列表，既能保持字典的键值对形状，又是有序的。OrderedDict内部使用双向链表，当然怎么算都是列表更快。在原来的基础上简单的改了改，重新测一下，1ms。1ms？！对比了一下ip库，似乎结果并没有错。
那好吧，就到这里了，这个问题就可以暂时告一段落了。从个人来讲我觉得最有趣的是中间redis列表+分块那个算法，不能应用实在可惜，因为在后面的算法中，主要瓶颈在于socket的传输速度，而不是列表数据的多少，单纯查询过程的速度已经达到了10^-5s的级别。遗留了几个小问题吧，知道思路就好，反正也没法用到最优解中去。
