二分法在IP地址查询中的应用（来自深空老大）

前段时间作数据分析，须要大量的IP地址查询（每秒钟近万次检索），首先考虑到使用数据库。数据库大概存储几十万条IP记录，记录集以下：

1 2 3 4 5 6 7 8 9

+----------+----------+------------+---------+---------+--------+--------+ | ip_begin | ip_end   | country_id | prov_id | city_id | isp_id | netbar | +----------+----------+------------+---------+---------+--------+--------+ |        0 | 16777215 |          2 |       0 |       0 |      0 |      0 | | 16777216 | 33554431 |          2 |       0 |       0 |      0 |      0 | | 33554432 | 50331647 |          2 |       0 |       0 |      0 |      0 | | 50331648 | 67108863 |          3 |       0 |       0 |      0 |      0 | | 67108864 | 67829759 |          3 |       0 |       0 |      0 |      0 | +----------+----------+------------+---------+---------+--------+--------+

这样作查询须要用到以下SQL：

1 2 3

<?php $sql = 'SELECT * FROM i_m_ip WHERE ip_begin <= $client_ip AND ip_end >= $client_ip' ; ?>

这样的检索显然用不到索引，即便用到，MySQL查询效率也不大可能达到每秒500次以上，我作了不少并发优化，最终平均查询效率也只有每秒200次左右，实在是头痛。一开始我也有想到借鉴纯真IP库的检索方法，可是我一直对算法有抵触，也觉得二分法很难，因此就没有尝试使用，直到最后没有办法了，才最终实现了二分法的IP地址检索。
从上表能够看到IP库是从0到4294967295的一个连续数值，这个数值要是拆开存储，会有几百G的数据，因此没办法使用索引也没办法哈希。最终我使用PHP将这些东东转为二进制存储，抛弃了数据库的检索。能够看到IP起止长度为一个4字节的长整型，后面的国家ID、省份ID等，可使用2个字节的短整型来存储，总共一行数据就有18个字节，总共31万条数据，算起来也就5M的样子。具体IP库生成代码以下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

<?php /* IP文件格式： 3741319168  3758096383  182 0   0   0   0 3758096384  3774873599  3   0   0   0   0 3774873600  4026531839  182 0   0   0   0 4026531840  4278190079  182 0   0   0   0 4294967040  4294967295  312 0   0   0   0 */ set_time_limit(0); $handle = fopen ( './ip.txt' , 'rb' ); $fp = fopen ( "./ip.dat" , 'ab' ); if ( $handle ) {      while (! feof ( $handle )) {          $buffer = fgets ( $handle );          $buffer = trim( $buffer );          $buffer = explode ( "t" , $buffer );          foreach ( $buffer as $key => $value ) {              $buffer [ $key ] = (float) trim( $value );          }          $str = pack( 'L' , $buffer [0]);          $str .= pack( 'L' , $buffer [1]);          $str .= pack( 'S' , $buffer [2]);          $str .= pack( 'S' , $buffer [3]);          $str .= pack( 'S' , $buffer [4]);          $str .= pack( 'S' , $buffer [5]);          $str .= pack( 'S' , $buffer [6]);          fwrite( $fp , $str );      } } ?>

这样IP就按照顺序每18字节一个单位排列了，因此很容易就使用二分法来检索出IP信息：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

function getip( $ip , $fp ) {      fseek ( $fp , 0);      $begin = 0;      $end   = filesize ( './ip.dat' );      $begin_ip = implode( '' , unpack( 'L' , fread ( $fp , 4)));      fseek ( $fp , $end - 14);      $end_ip   = implode( '' , unpack( 'L' , fread ( $fp , 4)));      $begin_ip = sprintf( '%u' , $begin_ip );      $end_ip   = sprintf( '%u' , $end_ip );         do {          if ( $end - $begin <= 18) {              fseek ( $fp , $begin + 8);              $info = array ();              $info [0] = implode( '' , unpack( 'S' , fread ( $fp , 2)));              $info [1] = implode( '' , unpack( 'S' , fread ( $fp , 2)));              $info [2] = implode( '' , unpack( 'S' , fread ( $fp , 2)));              $info [3] = implode( '' , unpack( 'S' , fread ( $fp , 2)));              $info [4] = implode( '' , unpack( 'S' , fread ( $fp , 2)));              return $info ;          }             $middle_seek = ceil ((( $end - $begin ) / 18) / 2) * 18 + $begin ;             fseek ( $fp , $middle_seek );          $middle_ip = implode( '' , unpack( 'L' , fread ( $fp , 4)));          $middle_ip = sprintf( '%u' , $middle_ip );             if ( $ip >= $middle_ip ) {              $begin = $middle_seek ;          } else {              $end = $middle_seek ;          }      } while (true); }

以上$fp为打开ip.dat的文件句柄，因为是循环检索，因此写在函数外面，省得每次检索都要打开一次文件，30W行数据二分法最多也只须要循环7次(2^7)左右便可找到准确的IP信息。以后原本还想将ip.dat放在内存中加快检索速度，后来发现，字符串定位函数的效率，根本和文件指针的偏移定位不是在一个数量级的，因此仍是放弃使用内存来存放IP库。
这个实现，使IP检索效率提升了近百倍，只是一个简单的二分法的应用，今后算法在WEB应用中不重要的观念完全打消了。其实要实现这个，我还请教了金狐，我一开始是请他帮我生成一个纯真格式的IP库，而后用Discuz的IP查询函数来检索，不过他不愿帮我，最后造就了个人这个实践和学习。有时候，求人不如求己。