純真IP數據庫格式詳解
摘要
網絡上的IP數據庫以純真版的最爲流行,LumaQQ也採用了純真版IP數據庫做爲IP查詢功能的基礎。不過關於其格式的文檔卻非常之少,後來終於在網上找到了一份文檔,得以瞭解其內幕,不過那份文檔寥寥數語,也是頗爲耐心纔讀明白。在這裏我重寫一份,以此做爲LumaQQ開發者文檔的一部分,我想還是必要的。本文詳細介紹了純真IP數據庫的格式,並且給出了一些Demo以供參考。Luma, 清華大學
修改日期: 2005/01/14Note: 在此感謝純真IP數據庫作者金狐和那唯一一份文檔的作者。
修改歷史:
2005-01-14 修改了原來一些表達不清和錯誤的地方
自從有了IP數據庫這種東西,QQ外掛的顯示IP功能也隨之而生,本人見識頗窄,是否還有其他應用不得而知,不過,IP數據庫確實是個不錯的東西。如今網絡上最流行的IP數據庫我想應該是純真版的(說錯了也不要扁我),迄今爲止其IP記錄條數已經接近30000,對於有些IP甚至能精確到樓層,不亦快哉。2004年4、5月間,正逢LumaQQ破土動工,爲了加上這個人人都喜歡,但是好像人人都不知道爲什麼喜歡的顯IP功能,我也採用了純真版IP數據庫,它的優點是記錄多,查詢速度快,它只用一個文件QQWry.dat就包含了所有記錄,方便嵌入到其他程序中,也方便升級。
基本結構
QQWry.dat文件在結構上分爲3塊:文件頭,記錄區,索引區。一般我們要查找IP時,先在索引區查找記錄偏移,然後再到記錄區讀出信息。由於記錄區的記錄是不定長的,所以直接在記錄區中搜索是不可能的。由於記錄數比較多,如果我們遍歷索引區也會是有點慢的,一般來說,我們可以用二分查找法搜索索引區,其速度比遍歷索引區快若干數量級。圖1是QQWry.dat的文件結構圖。
圖1. QQWry.dat文件結構
要注意的是,QQWry.dat裏面全部採用了little-endian字節序
一. 瞭解文件頭
QQWry.dat的文件頭只有8個字節,其結構非常簡單,首四個字節是第一條索引的絕對偏移,後四個字節是最後一條索引的絕對偏移。
二. 瞭解記錄區
每條IP記錄都由國家和地區名組成,國家地區在這裏並不是太確切,因爲可能會查出來“清華大學計算機系”之類的,這裏清華大學就成了國家名了,所以這個國家地區名和IP數據庫製作的時候有關係。所以記錄的格式有點像QName,有一個全局部分和局部部分組成,我們這裏還是沿用國家名和地區名的說法。
於是我們想象着一條記錄的格式應該是: [IP地址][國家名][地區名],當然,這個沒有什麼問題,但是這只是最簡單的情況。很顯然,國家名和地區名可能會有很多的重複,如果每條記錄都保存一個完整的名稱拷貝是非常不理想的,所以我們就需要重定向以節省空間。所以爲了得到一個國家名或者地區名,我們就有了兩個可能:第一就是直接的字符串表示的國家名,第二就是一個4字節的結構,第一個字節表明了重定向的模式,後面3個字節是國家名或者地區名的實際偏移位置。對於國家名來說,情況還可能更復雜些,因爲這樣的重定向最多可能有兩次。
那麼什麼是重定向模式?根據上面所說,一條記錄的格式是[IP地址][國家記錄][地區記錄],如果國家記錄是重定向的話,那麼地區記錄是有可能沒有的,於是就有了兩種情況,我管他叫做模式1和模式2。我們對這些格式的情況舉圖說明:
圖2. IP記錄的最簡單形式
圖2表示了最簡單的IP記錄格式,我想沒有什麼可以解釋的
圖3. 重定向模式1
圖3演示了重定向模式1的情況。我們看到在模式1的情況下,地區記錄也跟着國家記錄走了,在IP地址之後只剩下了國家記錄的4字節,後面3個字節構成了一個指針,指向了實際的國家名,然後又跟着地址名。模式1的標識字節是0x01。
圖4. 重定向模式2
圖4演示了重定向模式2的情況。我們看到了在模式2的情況下(其標識字節是0x02),地區記錄沒有跟着國家記錄走,因此在國家記錄之後4個字節之後還是有地區記錄。我想你已經明白了模式1和模式2的區別,即:模式1的國家記錄後面不會再有地區記錄,模式2的國家記錄後會有地區記錄。下面我們來看一下更復雜的情況。
圖5. 混和情況1
圖5演示了當國家記錄爲模式1的時候可能出現的更復雜情況,在這種情況下,重定向指向的位置仍然是個重定向,不過第二次重定向爲模式2。大家不用擔心,沒有模式3了,這個重定向也最多隻有兩次,並且如果發生了第二次重定向,則其一定爲模式2,而且這種情況只會發生在國家記錄上,對於地區記錄,模式1和模式2是一樣的,地區記錄也不會發生2次重定向。不過,這個圖還可以更復雜,如圖7:
圖6. 混和情況2
圖6是模式1下最複雜的混和情況,不過我想應該也很好理解,只不過地區記錄也來重定向而已,有一點我要提醒你,如果重定向的地址是0,則表示未知的地區名。
所以我們總結如下:一條IP記錄由[IP地址][國家記錄][地區記錄]組成,對於國家記錄,可以有三種表示方式:字符串形式,重定向模式1和重定向模式2。對於地區記錄,可以有兩種表示方式:字符串形式和重定向,另外有一條規則:重定向模式1的國家記錄後不能跟地區記錄。按照這個總結,在這些方式中合理組合,就構成了IP記錄的所有可能情況。
設計的理由
在我們繼續去了解索引區的結構之前,我們先來了解一下爲何記錄區的結構要如此設計。我想你可能想到了答案:字符串重用。沒錯,在這種結構下,對於一個國家名和地區名,我只需要保存其一次就可以了。我們舉例說明,爲了表示方便,我們用小寫字母代表IP記錄,C表示國家名,A表示地區名:
- 有兩條記錄a(C1, A1), b(C2, A2),如果C1 = C2, A1 = A2,那麼我們就可以使用圖3顯示的結構來實現重用
- 有三條記錄a(C1, A1), b(C2, A2), c(C3, A3),如果C1 = C2, A2 = A3,現在我們想存儲記錄b,那麼我們可以用圖6的結構來實現重用
- 有兩條記錄a(C1, A1), b(C2, A2),如果C1 = C2,現在我們想存儲記錄b,那麼我們可以採用模式2表示C2,用字符串表示A2
你可以舉出更多的情況,你也會發現在這種結構下,不同的字符串只需要存儲一次。
瞭解索引區
在"瞭解文件頭"部分,我們說明了文件頭實際上是兩個指針,分別指向了第一條索引和最後一條索引的絕對偏移。如圖8所示:
圖8. 文件頭指向索引區圖示
實在是很簡單,不是嗎?從文件頭你就可以定位到索引區,然後你就可以開始搜索IP了!每條索引長度爲7個字節,前4個字節是起始IP地址,後三個字節就指向了IP記錄。這裏有些概念需要說明一下,什麼是起始IP,那麼有沒有結束IP? 假設有這麼一條記錄:166.111.0.0 - 166.111.255.255,那麼166.111.0.0就是起始IP,166.111.255.255就是結束IP,結束IP就是IP記錄中的那頭4個字節,這下你應該就清楚了吧。於是乎,每條索引配合一條記錄,構成了一個IP範圍,如果你要查找166.111.138.138所在的位置,你就會發現166.111.138.138落在了166.111.0.0 - 166.111.255.255 這個範圍內,那麼你就可以順着這條索引去讀取國家和地區名了。那麼我們給出一個最詳細的圖解吧:
圖9. 文件詳細結構
現在一切都清楚了是不是?也許還有一點你不清楚,QQWry.dat的版本信息存在哪裏呢? 答案是:最後一條IP記錄實際上就是版本信息,最後一條記錄顯示出來就是這樣:255.255.255.0 255.255.255.255 純真網絡 2004年6月25日IP數據。OK,到現在你應該全部清楚了。
Demo
下一步:我給出一個讀取IP記錄的程序片斷,此片斷摘錄自LumaQQ源文件edu.tsinghua.lumaqq.IPSeeker.java,如果你有興趣,可以下載源代碼詳細看看。
/** * 給定一個ip國家地區記錄的偏移,返回一個IPLocation結構 * @param offset 國家記錄的起始偏移 * @return IPLocation對象 */ private IPLocation getIPLocation(long offset) { try { // 跳過4字節ip ipFile.seek(offset + 4); // 讀取第一個字節判斷是否標誌字節 byte b = ipFile.readByte(); if(b == REDIRECT_MODE_1) { // 讀取國家偏移 long countryOffset = readLong3(); // 跳轉至偏移處 ipFile.seek(countryOffset); // 再檢查一次標誌字節,因爲這個時候這個地方仍然可能是個重定向 b = ipFile.readByte(); if(b == REDIRECT_MODE_2) { loc.country = readString(readLong3()); ipFile.seek(countryOffset + 4); } else loc.country = readString(countryOffset); // 讀取地區標誌 loc.area = readArea(ipFile.getFilePointer()); } else if(b == REDIRECT_MODE_2) { loc.country = readString(readLong3()); loc.area = readArea(offset + 8); } else { loc.country = readString(ipFile.getFilePointer() - 1); loc.area = readArea(ipFile.getFilePointer()); } return loc; } catch (IOException e) { return null; } } /** * 從offset偏移開始解析後面的字節,讀出一個地區名 * @param offset 地區記錄的起始偏移 * @return 地區名字符串 * @throws IOException 地區名字符串 */ private String readArea(long offset) throws IOException { ipFile.seek(offset); byte b = ipFile.readByte(); if(b == REDIRECT_MODE_1 || b == REDIRECT_MODE_2) { long areaOffset = readLong3(offset + 1); if(areaOffset == 0) return LumaQQ.getString("unknown.area"); else return readString(areaOffset); } else return readString(offset); } /** * 從offset位置讀取3個字節爲一個long,因爲java爲big-endian格式,所以沒辦法 * 用了這麼一個函數來做轉換 * @param offset 整數的起始偏移 * @return 讀取的long值,返回-1表示讀取文件失敗 */ private long readLong3(long offset) { long ret = 0; try { ipFile.seek(offset); ipFile.readFully(b3); ret |= (b3[0] & 0xFF); ret |= ((b3[1] << 8) & 0xFF00); ret |= ((b3[2] << 16) & 0xFF0000); return ret; } catch (IOException e) { return -1; } } /** * 從當前位置讀取3個字節轉換成long * @return 讀取的long值,返回-1表示讀取文件失敗 */ private long readLong3() { long ret = 0; try { ipFile.readFully(b3); ret |= (b3[0] & 0xFF); ret |= ((b3[1] << 8) & 0xFF00); ret |= ((b3[2] << 16) & 0xFF0000); return ret; } catch (IOException e) { return -1; } } /** * 從offset偏移處讀取一個以0結束的字符串 * @param offset 字符串起始偏移 * @return 讀取的字符串,出錯返回空字符串 */ private String readString(long offset) { try { ipFile.seek(offset); int i; for(i = 0, buf[i] = ipFile.readByte(); buf[i] != 0; buf[++i] = ipFile.readByte()); if(i != 0) return Utils.getString(buf, 0, i, "GBK"); } catch (IOException e) { log.error(e.getMessage()); } return ""; }
代碼並不複雜,getIPLocation是主要方法,它檢查國家記錄格式,並針對字符串形式,模式1,模式2採用不同的代碼,readArea則相對簡單,因爲只有字符串和重定向兩種情況需要處理。
總結
純真IP數據庫的結構使得查找IP簡單迅速,不過你想要編輯它卻是比較麻煩的,我想應該需要專門的工具來生成QQWry.dat文件,由於其文件格式的限制,你要直接添加IP記錄就不容易了。不過,能查到IP已經很開心了,希望純真記錄越來越多~。
轉自 LumaQQ 開發者文檔