细心的朋友应该会发现,最近,继新浪微博之后,头条、腾讯、抖音、知乎、快手、小红书等各大平台陆陆续续都上线了“网络用户IP地址显现功用”,境外用户显现的是国家,国内的用户显现的省份,而且此项显现无法封闭,归属地强制显现。
作为技术人,那!这个功用要怎么完结呢?
下面,我就来讲讲,Java中是如何获取IP属地的,主要分为以下几步:
- 经过 HttpServletRequest 目标,获取用户的IP地址
- 经过 IP 地址,获取对应的省份、城市
首要需要写一个 IP 获取的东西类,因为每一次用户的 Request 恳求,都会携带上恳求的 IP 地址放到恳求头中
经过此方法,从恳求Header中获取到用户的IP地址
现在自己在做的项目中,也有获取IP地址归属地省份、城市的需求,用的是:淘宝IP库
地址:ip.taobao.com/
本来的恳求源码如下:
能够看到日志log文件中,大量的the request over max qps for user问题
下面,给大家介绍下之前在Github冲浪时发现的今日的主角:
Ip2region开源项目,github地址:github.com/lionsoul201…
现在最新已更新到了v2.0版别,ip2region v2.0是一个离线IP地址定位库和IP定位数据办理结构,10微秒等级的查询功率,准提供了很多干流编程言语的 xdb 数据生成和查询客户端完结。
99.9%精确率:
数据聚合了一些闻名ip到地名查询提供商的数据,这些是他们官方的的精确率,经测验着实比经典的纯真IP定位精确一些。
ip2region的数据聚合自以下服务商的敞开API或许数据(晋级程序每秒恳求次数2到4次):
01, >80%, 淘宝IP地址库, ip.taobao.com/\ 02, ≈10%, GeoIP, geoip.com/\ 03, ≈2%, 纯真IP库, www.cz88.net/\ 补白:如果上述敞开API或许数据都不给敞开数据时ip2region将停止数据的更新服务。
多查询客户端的支撑
现已集成的客户端有:java、C#、php、c、python、nodejs、php扩展(php5和php7)、golang、rust、lua、lua_c, nginx。
binding | 描述 | 开发状况 | binary查询耗时 | b-tree查询耗时 | memory查询耗时 |
---|---|---|---|---|---|
c | ANSC c binding | 已完结 | 0.0x毫秒 | 0.0x毫秒 | 0.00x毫秒 |
c# | c# binding | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.1x毫秒 |
golang | golang binding | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.1x毫秒 |
java | java binding | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.1x毫秒 |
lua | lua完结的binding | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.x毫秒 |
lua_c | lua的c扩展 | 已完结 | 0.0x毫秒 | 0.0x毫秒 | 0.00x毫秒 |
nginx | nginx的c扩展 | 已完结 | 0.0x毫秒 | 0.0x毫秒 | 0.00x毫秒 |
nodejs | nodejs | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.1x毫秒 |
php | php完结的binding | 已完结 | 0.x毫秒 | 0.1x毫秒 | 0.1x毫秒 |
php5_ext | php5的c扩展 | 已完结 | 0.0x毫秒 | 0.0x毫秒 | 0.00x毫秒 |
php7_ext | php7的c扩展 | 已完结 | 0.0毫秒 | 0.0x毫秒 | 0.00x毫秒 |
python | python bindng | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.x毫秒 |
rust | rust binding | 已完结 | 0.x毫秒 | 0.x毫秒 | 0.x毫秒 |
Ip2region V2.0 特性
1、标准化的数据格局
每个 ip 数据段的 region 信息都固定了格局:国家|区域|省份|城市|ISP,只要中国的数据绝大部分精确到了城市,其他国家部分数据只能定位到国家,后前的选项全部是0。
2、数据去重和紧缩
xdb 格局生成程序会自动去重和紧缩部分数据,默许的全部 IP 数据,生成的 ip2region.xdb 数据库是 11MiB,跟着数据的详细度添加数据库的大小也慢慢增大。
3、极速查询呼应
即使是彻底根据 xdb 文件的查询,单次查询呼应时间在十微秒等级,可经过如下两种方法开启内存加快查询:
- vIndex 索引缓存 :运用固定的 512KiB 的内存空间缓存 vector index 数据,削减一次 IO 磁盘操作,坚持平均查询功率稳定在10-20微秒之间。
- xdb 整个文件缓存:将整个 xdb 文件全部加载到内存,内存占用等同于 xdb 文件大小,无磁盘 IO 操作,坚持微秒等级的查询功率。
4、极速查询呼应
v2.0 格局的 xdb 支撑亿等级的 IP 数据段行数,region 信息也能够彻底自定义,例如:你能够在 region 中追加特定业务需求的数据,例如:GPS信息/世界统一地域信息编码/邮编等。也便是你彻底能够运用 ip2region 来办理你自己的 IP 定位数据。
ip2region xdb java 查询客户端完结
- 运用方法
引进maven仓库:
<dependency>
<groupId>org.lionsoul</groupId>
<artifactId>ip2region</artifactId>
<version>2.6.4</version>
</dependency>
- 彻底根据文件的查询
import org.lionsoul.ip2region.xdb.Searcher;
import java.io.*;
import java.util.concurrent.TimeUnit;
public class SearcherTest {
public static void main(String[] args) {
// 1、创立 searcher 目标
String dbPath = "ip2region.xdb file path";
Searcher searcher = null;
try {
searcher = Searcher.newWithFileOnly(dbPath);
} catch (IOException e) {
System.out.printf("failed to create searcher with `%s`: %s\n", dbPath, e);
return;
}
// 2、查询
try {
String ip = "1.2.3.4";
long sTime = System.nanoTime();
String region = searcher.search(ip);
long cost = TimeUnit.NANOSECONDS.toMicros((long) (System.nanoTime() - sTime));
System.out.printf("{region: %s, ioCount: %d, took: %d s}\n", region, searcher.getIOCount(), cost);
} catch (Exception e) {
System.out.printf("failed to search(%s): %s\n", ip, e);
}
// 3、补白:并发运用,每个线程需要创立一个独立的 searcher 目标独自运用。
}
}
- 缓存VectorIndex索引
咱们能够提前从 xdb 文件中加载出来 VectorIndex 数据,然后大局缓存,每次创立 Searcher 目标的时分运用大局的 VectorIndex 缓存能够削减一次固定的 IO 操作,从而加快查询,削减 IO 压力。
import org.lionsoul.ip2region.xdb.Searcher;
import java.io.*;
import java.util.concurrent.TimeUnit;
public class SearcherTest {
public static void main(String[] args) {
String dbPath = "ip2region.xdb file path";
// 1、从 dbPath 中预先加载 VectorIndex 缓存,而且把这个得到的数据作为大局变量,后续重复运用。
byte[] vIndex;
try {
vIndex = Searcher.loadVectorIndexFromFile(dbPath);
} catch (Exception e) {
System.out.printf("failed to load vector index from `%s`: %s\n", dbPath, e);
return;
}
// 2、运用大局的 vIndex 创立带 VectorIndex 缓存的查询目标。
Searcher searcher;
try {
searcher = Searcher.newWithVectorIndex(dbPath, vIndex);
} catch (Exception e) {
System.out.printf("failed to create vectorIndex cached searcher with `%s`: %s\n", dbPath, e);
return;
}
// 3、查询
try {
String ip = "1.2.3.4";
long sTime = System.nanoTime();
String region = searcher.search(ip);
long cost = TimeUnit.NANOSECONDS.toMicros((long) (System.nanoTime() - sTime));
System.out.printf("{region: %s, ioCount: %d, took: %d s}\n", region, searcher.getIOCount(), cost);
} catch (Exception e) {
System.out.printf("failed to search(%s): %s\n", ip, e);
}
// 补白:每个线程需要独自创立一个独立的 Searcher 目标,可是都共享大局的制度 vIndex 缓存。
}
}
- 缓存整个xdb数据
咱们也能够预先加载整个 ip2region.xdb 的数据到内存,然后根据这个数据创立查询目标来完结彻底根据文件的查询,相似之前的 memory search。
import org.lionsoul.ip2region.xdb.Searcher;
import java.io.*;
import java.util.concurrent.TimeUnit;
public class SearcherTest {
public static void main(String[] args) {
String dbPath = "ip2region.xdb file path";
// 1、从 dbPath 加载整个 xdb 到内存。
byte[] cBuff;
try {
cBuff = Searcher.loadContentFromFile(dbPath);
} catch (Exception e) {
System.out.printf("failed to load content from `%s`: %s\n", dbPath, e);
return;
}
// 2、运用上述的 cBuff 创立一个彻底根据内存的查询目标。
Searcher searcher;
try {
searcher = Searcher.newWithBuffer(cBuff);
} catch (Exception e) {
System.out.printf("failed to create content cached searcher: %s\n", e);
return;
}
// 3、查询
try {
String ip = "1.2.3.4";
long sTime = System.nanoTime();
String region = searcher.search(ip);
long cost = TimeUnit.NANOSECONDS.toMicros((long) (System.nanoTime() - sTime));
System.out.printf("{region: %s, ioCount: %d, took: %d s}\n", region, searcher.getIOCount(), cost);
} catch (Exception e) {
System.out.printf("failed to search(%s): %s\n", ip, e);
}
// 补白:并发运用,用整个 xdb 数据缓存创立的查询目标能够安全的用于并发,也便是你能够把这个 searcher 目标做成大局目标去跨线程拜访。
}
}
IDEA中做个测验
彻底根据文件的查询
ip属地国内的话,会展现省份,国外的话,只会展现国家。能够经过如下图这个方法进行进一步封装,得到获取IP属地的信息。
下面是官网给出的指令运行jar方法给出的测验demo,能够理解下
编译测验程序
经过 maven 来编译测验程序。
# cd 到 java binding 的根目录
cd binding/java/
mvn compile package
然后会在当时目录的 target 目录下得到一个 ip2region-{version}.jar 的打包文件。
查询测验
能够经过 java -jar ip2region-{version}.jar search 指令来测验查询:
➜ java git:(v2.0_xdb) ✗ java -jar target/ip2region-2.6.0.jar search
java -jar ip2region-{version}.jar search [command options]
options:
--db string ip2region binary xdb file path
--cache-policy string cache policy: file/vectorIndex/content
例如:运用默许的 data/ip2region.xdb 文件进行查询测验:
➜ java git:(v2.0_xdb) ✗ java -jar target/ip2region-2.6.0.jar search --db=../../data/ip2region.xdb
ip2region xdb searcher test program, cachePolicy: vectorIndex
type 'quit' to exit
ip2region>> 1.2.3.4
{region: 美国|0|华盛顿|0|谷歌, ioCount: 7, took: 82 s}
ip2region>>
输入 ip 即可进行查询测验,也能够别离设置 cache-policy 为 file/vectorIndex/content 来测验三种不同缓存完结的查询作用。
bench 测验
能够经过 java -jar ip2region-{version}.jar bench 指令来进行 bench 测验,一方面确保 xdb 文件没有错误,一方面能够评估查询性能:
➜ java git:(v2.0_xdb) ✗ java -jar target/ip2region-2.6.0.jar bench
java -jar ip2region-{version}.jar bench [command options]
options:
--db string ip2region binary xdb file path
--src string source ip text file path
--cache-policy string cache policy: file/vectorIndex/content
例如:经过默许的 data/ip2region.xdb 和 data/ip.merge.txt 文件进行 bench 测验:
➜ java git:(v2.0_xdb) ✗ java -jar target/ip2region-2.6.0.jar bench --db=../../data/ip2region.xdb --src=../../data/ip.merge.txt
Bench finished, {cachePolicy: vectorIndex, total: 3417955, took: 8s, cost: 2 s/op}
能够经过别离设置 cache-policy 为 file/vectorIndex/content 来测验三种不同缓存完结的作用。 @Note: 留意 bench 运用的 src 文件要是生成对应 xdb 文件相同的源文件。
到这里获取用户IP属地现已完结啦,这篇文章介绍的v2.0版别,有兴趣的小伙伴能够登录上门的github地址了解下v1.0版别
如若觉得有用,欢迎收藏+点赞,如遇到什么问题,欢迎留言讨论